Medische beslissingen worden vaak gebaseerd op testuitslagen van het klinisch laboratorium. Om de interpretatie van deze uitslagen te vergemakkelijken, worden ze vergeleken met de gemiddelde testuitslagen van een groep ‘gezonde’ personen. Hieruit volgt dan de zogeheten referentie-interval. De selectie van een geldige referentiepopulatie is echter niet gemakkelijk. Is deze groep wel echt gezond? Hoe spelen variabelen als leeftijd, geslacht, BMI en dieet mee. Ook is elke persoon uniek: referentie-intervallen moeten dus eigenlijk worden gepersonaliseerd.
Interpreteren testuitslagen lastig
Met bekende factoren zoals leeftijd en geslacht wordt al rekening gehouden bij het opstellen van referentie-intervallen. De invloed van andere factoren op testuitslagen, zoals de nierfunctie, wordt meestal niet meegenomen. Deze invloeden blijven vooralsnog verborgen in de berg patiëntgegevens. Dit maakt het lastiger voor de behandeld arts om testuitslagen goed te interpreteren.
Extra patiëntgegevens verzamelen uit de diverse datasystemen van het ziekenhuis en slim te combineren met de testuitslagen van het laboratorium, kan de dokter hierbij helpen. Het toepassen van data-analytische technieken binnen het klinisch laboratorium in dit kader staat echter nog in de kinderschoenen. Ook zijn ziekenhuissystemen niet ontworpen om klinische data te gebruiken voor de ontwikkeling en implementatie van data-gestuurde modellen.
Visualisatie en modellen
In haar proefschrift beschrijft Saskia van Loon in drie voorbeelden hoe de toenemende complexiteit van het interpreteren van testuitslagen van het klinisch laboratorium eenvoudiger kan door data-analytische technieken toe te passen.
- Door laboratoriumdata op een andere manier te visualiseren, kunnen bepaalde patronen zichtbaar worden. Hierdoor wordt voor een aantal testen direct duidelijk wat ‘normaal’ is en wat ‘afwijkend’ is binnen een bepaalde patiëntengroep.
- Van Loon heeft verder een model ontwikkeld dat de dokter kan gebruiken bij het beoordelen van een verhoogde testuitslag bij onderzoek naar vitamine B12-tekort. Met dit model kunnen artsen beter bepalen of de verhoogde testuitslag komt door een tekort aan vitamine B12 of door een verminderde nierfunctie.
- Een tweede model beschrijft de gezondheidstoestand van patiënten met extreem overgewicht. Zij hebben naast overgewicht vaak andere ziekten, zoals suikerziekte (diabetes mellitus), hoge bloeddruk (hypertensie) of een verstoorde vetstofwisseling (dyslipidemie). De combinatie van deze ziekten wordt metabool syndroom genoemd en geeft een verhoogd risico op hart- en vaatziekten.
Metabole gezondheidsindex
Metabool syndroom is naast extreem overgewicht één van de eisen om in aanmerking te kunnen komen voor een maagverkleining. Het is echter moeilijk om de metabole gezondheidstoestand van een patiënt goed te beoordelen. De onderzoekster heeft daarom de metabole gezondheidsindex (‘metabolic health index’, MHI) ontwikkeld, vergelijkbaar met de body mass index (BMI) voor gewicht.
Het MHI-model combineert meerdere laboratoriumtestuitslagen en drukt de metabole gezondheidstoestand uit in één getal. Ook is er een MHI-afkapwaarde afgeleid, die helpt om onderscheid te maken tussen metabool ‘gezonde’ en ‘ongezonde’ patiënten en zo de keuze ondersteunt om wel of niet te opereren. Het MHI-model is geëvalueerd met data van ruim 11.000 patiënten van meerdere bariatrische centra in Nederland.
Praktijkinzet modellen
Het Catharina ziekenhuis in Eindhoven gebruikt inmiddels beide modellen. De extra informatie wordt direct met de testresultaten van het laboratorium gerapporteerd en is ook meteen beschikbaar voor de dokter, zonder extra kosten.
Het gepresenteerde onderzoek draagt volgens het ziekenhuis bij aan het vakgebied van de laboratoriumgeneeskunde, waar meer aandacht komt voor het ontwikkelen van data-gestuurde oplossingen voor klinische behoeften. Zo is in het laboratorium van het Catharina ziekenhuis ook de CoLab-score ontwikkeld, waarmee patiënten op de spoedeisende hulp snel kunnen worden gescreend op het coronavirus.
Meer big data door corona
Als gevolg van de coronacrisis is ook de toepassing van big data-technologie in de zorgsector toegenomen. Zo is er een aantal prestigieuze landelijke onderzoeken zoals COVID-OLD (COVID-19 Ouderen Landelijke Database), multicenter cohortstudie naar ouderen met het coronavirus in het ziekenhuis en COVID-PREDICT. Het Noord-Limburgse VieCuri kon zich hier dankzij de eigen opgezette database met 400 patiënten, als een van de eerste ziekenhuizen in Nederland bij aansluiten.
In samenwerking met de Nederlandse Vereniging voor Intensive Care en de Stichting Nationale Intensive Care Evaluatie (NICE) zijn artsen en onderzoekers uit Amsterdam UMC en Maastricht UMC+ al in maart 2020 het COVID-PREDICT consortium gestart voor het centraal verzamelen van data over COVID-19 patiënten. Inmiddels is het consortium uitgebreid met veel ziekenhuizen, artsen, onderzoekers en datawetenschappers. Hierdoor groeit de database snel.
Lees hier het proefschrift: The search for synergy in laboratory data. Promotoren: Volkher Scharnhorst (CZE, TU/e), Uzay Kaymak (TU/e); Copromotor: Arjen-Kars Boer (CZE).
