Machine learning-algoritmen kunnen nauwkeurig voorspellen of een patiënt het risico loopt om een ernstige complicatie te krijgen of te overlijden na een endovasculaire ingreep bij perifeer arterieel vaatlijden (PAV). Dat blijkt uit een onderzoek dat onlangs werd gepubliceerd in het vakblad JAMA Network Open. Het onderzoeksteam stelde dat een endovasculaire ingreep bij PAV aanzienlijke risico’s met zich meebrengt die zich moeilijk laten voorspellen. Daarom besloten de onderzoekers machine learning-algoritmen te ontwikkelen.
Perifeer arterieel vaatlijden is een vernauwing in of afsluiting van de slagader naar het been. Hierdoor stroomt er minder of zelfs helemaal geen bloed naar de benen en ontstaat een gebrek aan zuurstof in de benen of voeten. In dat geval kan een endovasculaire ingreep noodzakelijk zijn om de vernauwing of afsluiting te verhelpen. Zo’n ingreep brengt echter risico’s met zich mee. Dat operatierisico is niet altijd goed te voorspellen. Machine learning kan daar mogelijk verandering in brengen.
Nauwkeurig voorspellen operatierisico
Het team analyseerde gegevens van ruim 200.000 patiënten die een endovasculaire ingreep hadden ondergaan voor PAV. Deze gegevens werden opgesplitst in een gegevensset om algoritmes te trainen en een gegevensset om algoritmes te testen. De gegevens werden gebruikt om informatie vast te stellen over de kenmerken en voorgeschiedenis van de patiënt, het verloop van de ingreep en het herstel en de eventuele complicaties.
Met deze gegevens werden vervolgens meerdere machine learning-modellen ontwikkeld en getraind, met als doel om te kunnen voorspellen welke patiënten een hoog risico liepen om binnen een jaar na de ingreep een ernstige complicatie te krijgen of te overlijden. De resultaten waren veelbelovend. De machine learning-modellen slaagden erin het operatierisico voor ernstige complicaties en overlijdens na een endovasculaire ingreep voor PAV nauwkeurig te voorspellen.
Potentieel machine learning
Ook in Nederland wordt onderzoek gedaan naar het gebruik van machine learning om risico’s te voorspellen. Arts-onderzoeker Nick Nurmohamed en universitair docent Dimitra Micha van Amsterdam UMC doen onderzoek naar het voorspellen van het risico van hart- en vaatziekten op basis van drie verschillende meettechnieken. De onderzoekers kijken eerst bij 300 mensen die geen klachten hebben maar bij wie al wel aderverkalking te zien is op een CT-scan van het hart, naar de mogelijke toename van aderverkalking. Na 2,5 jaar kijken ze dan of de aderverkalking is toegenomen en of ze dat met hun machine learning-model kunnen voorspellen.
In februari van dit jaar publiceerde de American Heart Association (AHA) een bericht over de huidige stand van zaken rond het gebruik van kunstmatige intelligentie bij het diagnosticeren en behandelen van hart- en vaatziekten. Hierin benadrukte de AHA het enorme potentieel van het gebruik van kunstmatige intelligentie bij bijvoorbeeld het beoordelen van medische beelden, maar schreef ook dat er nog diverse factoren zijn die dit in de weg staan. Denk bijvoorbeeld aan wetgeving, ethische vraagstukken, het ontbreken van protocollen voor het verspreiden en delen van informatie, en de noodzaak om de wetenschappelijke kennis over deze technologieën te vergroten.
