Sorry, you need to enable JavaScript to visit this website.
Overslaan en naar de inhoud gaan
Like Dislike

Bloggen

Een speld in een hooiberg vinden met slimme software

Je hebt het vast voorbij zien komen, in presentaties of ‘promoted content’ op social media. Vrijwel elk bedrijf lijkt bezig te zijn met Artificial Intelligence (kunstmatige intelligentie), Machine Learning, Text mining en belooft gouden bergen. Maar hoeveel begrijp je nou echt als je zo’n verhaal hoort? En wat heb je daar vanuit gezondheidsperspectief aan? In deze blog kom ik niet met losse buzzwoorden, maar geef ik een helder voorbeeld van een toepassing van slimme algoritmes om ziekten op te sporen.

Een speld in een hooiberg vinden met slimme software

Sommige ziekten zijn lastig te herkennen; ze ontwikkelen zich langzaam over vele jaren en hebben symptomen die andere kwalen doen vermoeden. Pas als je gericht terugkijkt in de tijd zie je een bepaald patroon.

Maar plaats jezelf eens in de schoenen van een cardioloog, die honderden patiënten onder controle heeft. Om voor al die patiënten door honderden verslagen en testuitslagen, zogenaamde ongestructureerde data, op zoek te gaan naar zeldzame ziekten is als zoeken naar een speld in een hooiberg. Maar al die data/informatie is er wel. Alleen voor artsen is het ondoenlijk om al die dossiers door te lezen, om te zoeken naar eventueel gemiste diagnoses…. Die tijd hebben ze simpelweg niet. Toch is dat nu precies wat je eigenlijk zou moeten doen bij zeldzame ziekten.

Neem bijvoorbeeld amyloïdose, een ziekte met een sluipend verloop die uiteindelijk tot hartfalen leidt. De aandoening is levensbedreigend, maar moeilijk te ontdekken. Bovendien is amyloïdose lastig te onderscheiden van andere oorzaken van hartfalen. Het diagnosticeren van deze ziekte vereist speurwerk. Verbanden leggen tussen symptomen van amyloïdose is als het volgen van broodkruimels.

De afgelopen paar jaar is veel ontdekt over deze ziekte en hoe hij zich ‘verstopt’ tussen hartfalenpatiënten. Hierdoor kan het zijn dat een patiënt nog niet weet dat hij amyloïdose heeft, maar dat de puzzelstukjes voor een diagnose wel in al zijn gezondheidsdata te vinden zijn.

'Met slimme software kun je wel zoeken naar een speld in een hooiberg.'

En dat is natuurlijke enorm zonde. Want hoe eerder een patiënt een diagnose krijgt, hoe eerder hij kan starten met een behandeling en hoe minder blijvende schade er ontstaat.

Hierbij kan slimme software een oplossing bieden. Met behulp van ‘text mining’ kun je een computer vragen om in alle ongestructureerde gezondheidsdata de broodkruimels op te sporen die mogelijk wijzen op amyloïdose. En zo wordt een arts de verdachte casussen aangereikt.

Bij cardiale amyloïdose werkt dat zo: Eerst ga je in verslagen zoeken naar patiënten met ‘onverklaarbare verdikte hartwanden’. Daarna ga je speuren naar risicofactoren die wijzen op amyloïdose, zoals carpaal tunnel syndroom en polyneuropathie.

De slimme software ‘leest’ de patiëntendata en turft symptomen die passen bij amyloïdose. Uiteindelijk blijft er zo een klein aantal patiëntencasussen over, waarbij verschillende broodkruimels erop wijzen dat hier sprake kan zijn van amyloïdose. Nu is het voor de arts een stuk eenvoudiger om deze patiënt nog eens te bekijken. Is er nou écht sprake van een gemiste diagnose? Is het nuttig om deze patiënt nog eens te onderzoeken?

Dit voorbeeld geeft goed aan hoe je met slimme software wél kunt zoeken naar een speld in een hooiberg. En dat je uit ongestructureerde data mogelijk gemiste diagnoses kunt halen zonder dat het de arts onnoemlijk veel tijd en energie kost. Kortom, een mooi voorbeeld uit de praktijk dat laat zien dat ‘real world data’ een ‘real world impact’ heeft: op artsen én nog belangrijker, op patiënten.

Pagina beoordelen Like Dislike