Het vroeg herkennen van het risico dat patiënten lopen op de ontwikkeling van hart- en vaatziekten is belangrijk Niet alleen voor de preventie, maar ook om eerder met een behandeling en/of medicatie te kunnen starten. Het inzetten van technologie om geregistreerde zorgdata met behulp van machine learning te analyseren kan een belangrijke bijdrage leveren aan het identificeren van patiënten met een verhoogd risico. Op dit moment is die technologie echter nog niet effectief genoeg voor gebruik in de dagelijkse praktijk. Dat blijkt uit onderzoek van het Nivel.
Om ervoor te zorgen dat de machine learning technologie effectief ingezet kan worden voor het vroegtijdig identificeren van patiënten met een verhoogd risico op hart- en vaatziekten, is meer, en diversere, zorgdata nodig. Het Nivel heeft hier, op basis van gegevens uit huisartsendossiers (HIS’sen), onderzoek naar gedaan. Daaruit blijkt dat de inzet van machine learning een deel van de patiënten eerder wordt herkend. Echter, met de huidige stand van de techniek worden er nog veel hoogrisico-patiënten gemist of ten onrecht aangewezen als een hoogrisico-patiënt.
Meer zorgdata registeren
Het Nivel onderzoek laat zien dat het uitbreiden van de beschikbare zorgdata, met meetwaarden zoals rookstatus, BMI en bloeddruk, er toe leidt dat het risico op het ontstaan van hart- en vaatziekten veel beter voorspelt kan worden. Uit die resultaten kan vervolgens ook geconcludeerd worden dat het machine learning voorspelmodel aan voorspellende kracht zou winnen wanneer die over de extra meetwaarden voor alle patiënten kan beschikken. Mogelijk kan de Persoonlijk Gezondheids Omgeving (PGO) in de toekomst uitkomst bieden zodra patiënten zelf via hun PGO meer data met hun huisarts delen, zo stelt het Nivel.
Daarbij komt dat de potentie van machine learning in de toekomst nog vele male groter zal zijn. De technologie is nog volop in ontwikkeling. Wanneer modellen op basis van deep learning beschikbaar komen, dan wordt het mogelijk om nog complexere afhankelijkheden te vinden en gebruik te maken van de volgorde (sequentiële data) waarin metingen plaatsvinden. Bovendien zullen de toekomstige modellen ook over meer rekenkracht kunnen beschikken en meer data kunnen analyseren.
Het belang van zorgdata voor het uitbreiden van de kennis over (het ontstaan van) hart- en vaatziekten werd onlangs ook bevestigd in het promotieonderzoek van Sophie Bots van het UMC Utrecht. Daarbij lag de focus weliswaar op medicijngebruik en de verschillen tussen mannen en vrouwen, maar ook dat onderzoek toonde de meerwaarde van zorgdata aan.
Over het onderzoek
In de studie onderzocht Nivel de potentie van machine learning om hoogrisico-patiënten voor (risicofactoren voor) hart- en vaatziekten op te sporen. Daarbij werd gebruik gemaakt van routinematig verzamelde gegevens uit huisartsenpraktijken die deelnemen aan Nivel Zorgregistraties Eerste Lijn, waarbij informatie over zorgconsulten en medicatie uit het Huisarts Informatie Systeem (HIS) werd gebruikt.
Waar mogelijk werd de verzamelde date verrijkt met meetwaarden, zoals BMI, roken en bloeddruk. De onderzoekers maakten gebruik van twee veelgebruikte machinelearning-algoritmen: LASSO regressie en random forest. In dit onderzoek werden gegevens gebruikt van ongeveer 500 huisartsenpraktijken over de periode 2009 – 2017. De financiering van het onderzoek werd verzorgd door de Hartstichting.
