Voor huisartsen is het in een vroeg stadium herkennen van de auto-immuunziekte van Sjögren een moeilijk proces. Dat komt vooral omdat de symptomen van deze ziekte per persoon sterk kunnen verschillen. De inzet van machine learning en algoritmes die gevoed worden met data uit elektronische patiëntendossiers kan hier mogelijk verandering in aanbrengen. Onderzoekers van het Nivel en het Europese HarmonicSS project hebben dit onderzocht.
Bij patiënten die aan de ziekte van Sjögren lijden, een langdurige auto-immuunziekte, wordt de juiste diagnose vaak pas in een later stadium gesteld. Gevolg is dat deze patiënten niet in het vroege stadium van de ziekte, die de vochtproducerende klieren van het lichaam aantast, voor behandeling doorverwezen worden naar een specialist. Juist die vroegtijdige behandeling is bij deze ziekte van groot belang om hen een betere kwaliteit van leven te kunnen bieden.
Machine learning algoritmes
Om het proces van de diagnose te verbeteren is onderzoek gedaan naar een oplossing waarbij machine learning ingezet wordt om data uit patiëntendossiers met behulp van algoritmes 'door te spitten'. Uiteraard met het uiteindelijke doel om de diagnose ziekte van Sjögren in een zo vroeg mogelijk stadium, en veel vroeger dan nu vaak nog het geval is, te kunnen stellen.
Het onderzoek is uitgevoerd door het Nivel en internationale collega’s uit het Europese HarmonicSS project en moet een eerste stap zijn naar de ontwikkeling van beslissingsondersteuningssoftware om huisartsen te ondersteunen bij het herkennen van Sjögren patiënten. Voor het onderzoek werden diverse algoritmes ontwikkeld en getest. Het onderzoek moest onder andere inzicht geven in welk algoritme het meest geschikt is voor het vroegtijdig herkennen van de ziekte van Sjögren.
Geanonimiseerde data uit EPD's
De machine learning algoritmes maken gebruik van geanonimiseerde data uit elektronische patiëntendossiers (EPD’s) van huisartsen. Op basis van deze data, waarin zaken staan als medische voorgeschiedenis, leeftijd, aantal consulten, medicatiegebruik en geslacht, gaat de algoritmes aan de slag om mogelijk Sjögren patiënten te identificeren.
Het algoritme dat daaruit als beste naar voren kwam, heeft de potentie om uiteindelijk in de klinische praktijk te worden toegepast. Zo ver is het echter nog niet. Het is nu zaak om het algoritme verder te optimaliseren. Daarvoor moet het getraind en gevalideerd worden met andere datasets. Bij het optimalisatietraject zullen ook huisartsen betrokken worden zodat de beslissingsondersteuningssoftware uiteindelijk ook goed aansluit bij hun wensen.
De meerwaarde van machine learning algoritmes voor onder andere een betere en snellere diagnostiek wordt door steeds meer onderzoekers en wetenschappers onderkent. Onlangs berichtten wij nog over een onderzoek waarbij gekeken wordt naar een AI-tool die de kans op overlijden door sepsis significant verminderd omdat in veel gevallen de behandeling uren eerder kon starten.
