Bijzonder hoogleraar Data-driven decision making in healthcare, Mathie Leers, wil met alle beschikbare data AI-risicomodellen gaan ontwikkelen. Die modellen moeten medisch specialisten ondersteunen bij het bepalen van een diagnose en bij het maken van een behandelplan. Hij spreekt hierover tijdens zijn oratie met de titel 'Patronen in data: wegwijzer naar betere beslissingen' op vrijdag 13 december 2024 om 16.00 uur aan de Open Universiteit in Heerlen.
Voorafgaand aan de oratie vindt bij de OU het symposium 'Van chaos tot orde: patronen in data begrijpen' plaats. “In het ziekenhuis genereren we heel veel data. Die bestaat onder meer uit getallen, microscopische beelden, röntgenbeelden en platte tekst. Naast de data die we rapporteren, genereren we op het laboratorium nog een heleboel waardevolle data die op dit moment nog niet of nauwelijks worden gebruikt. Al die data samen wil ik gebruiken om risicomodellen te ontwikkelen.”
Meer gezondheidsfactoren koppelen
Naast de data die in het ziekenhuis worden verzameld, kunnen aan het risicomodel ook gezondheidsfactoren van buiten het ziekenhuis worden gekoppeld. Zoals laboratoriumdata afkomstig van bloedonderzoek door de huisarts, die veelal vroeg in het ziekteproces zijn afgenomen. Maar ook data die iets vertellen over de milieu- en leefomgeving van patiënten of de sociaaleconomische status.
“De gezondheid van mensen wordt beïnvloed door een breed scala aan interne en externe factoren, waarbij de fysieke leefomgeving een aanzienlijke rol speelt. In Nederland wordt naar schatting 2-5% van de ziektelast veroorzaakt door milieufactoren”, legt Leers uit. Woont iemand bijvoorbeeld een lange periode dicht bij een fabriek of in een gebied met veel geluidsoverlast. Of in een woning met vochtproblemen. Al die factoren zijn van invloed op de gezondheid van mensen.
Patronen detecteren
Ook de sociaaleconomische status heeft een belangrijke invloed op de gezondheid en levensverwachting. Leers vertelt dat mensen met een laag inkomen gemiddeld acht jaar korter leven en al 21 jaar eerder gezondheidsproblemen ervaren dan mensen met een hoger inkomen. Zij hebben bijvoorbeeld vaker last van chronische aandoeningen zoals diabetes type 2, COPD en depressie.
Het doel van het in kaart brengen van al die data is om met behulp van AI patronen te vinden die medisch specialisten ondersteunen bij het bepalen van een diagnose en het behandelplan. Door bijvoorbeeld patronen te identificeren die door mensen moeilijk te detecteren zijn. Door algoritmes en software direct aan het bed van patiënten in te zetten, worden vaker medisch specialisten ondersteund bij het nemen van belangrijke beslissingen over de behandeling.
