Een groep van Deense onderzoekers is erin geslaagd via machine learning een AI-algoritme te ontwikkelen waarmee van (ggz-)patiënten voorspeld kan worden of zij een verhoogd risico lopen om in de (nabije) toekomst geconfronteerd te worden met een gedwongen opname in een medische of ggz-instelling. Het onderzoeksteam van de Universiteit van Aarhus stelt dat deze AI-oplossing de weg effent naar betere preventieve geestelijke zorgverlening.
Bij de ontwikkeling en van de tool werden machine learning ingezet om te tool te trainen aan de hand van de gegevens van gegevens uit elektronische patiëntendossiers van vele duizenden Deense patiënten die tussen 2021 en 2023 gebruik gemaakt hebben van vrijwillige intramurale ggz-behandelingen. Het machine learning-algoritme analyseerde de relatie tussen ongeveer 1.800 variabelen uit de elektronische patiëntendossiers - waaronder diagnoses, medicatie, eerdere gedwongen maatregelen en klinische aantekeningen - en de daaropvolgende gedwongen opname.
“Dit is een belangrijke stap in de richting van een meer gerichte behandeling in de psychiatrie. We geloven dat deze technologie ons beter in staat kan stellen om patiënten te helpen voordat ze zo ziek worden dat een gedwongen opname noodzakelijk wordt,” zegt professor Søren Dinesen Østergaard van de afdeling Klinische Geneeskunde van de Universiteit van Aarhus en de psychiatrische dienst in de regio Centraal-Denemarken, die bijdroeg aan het onderzoek. De bevindingen van het onderzoek zijn onlangs gepubliceerd in het tijdschrift Psychological Medicine.
Aanvulling op klinische beoordeling
Het machine learning is in staat, op het moment van ontslag uit een vrijwillige opname, patiënten identificeren die een hoog risico lopen op een gedwongen opname binnen de eerste zes maanden na het ontslag. Uit het onderzoek kwam naar voren dat van elke 100 patiënten bij wie een verhoogd risico op een (gedwongen) ggz-opname voorspeld wordt, er 36 binnen zes maanden ook daadwerkelijk opgenomen zullen worden. Voor elke 100 patiënten bij wie geen risico op een gedwongen opname voorspeld wordt, klopt die voordspelling in 97 gevallen.
“Het machine learning-algoritme is niet perfect, maar het is nauwkeurig genoeg om te overwegen of het kan worden gebruikt als een hulpmiddel bij het nemen van beslissingen. Het is belangrijk om te benadrukken dat het algoritme de klinische beoordeling niet kan vervangen, maar eerder kan worden gebruikt als een aanvullende bron van informatie, die een beter geïnformeerde klinische besluitvorming mogelijk maakt,” zegt Østergaard.
Gedwongen opname voorkomen
Voor patiënten bij wie een verhoogd risico op een gedwongen opname voorspeld wordt, kan met een nauwgezet poliklinische follow-up traject een eventuele verslechtering van hun geestelijke gezondheidstoestand eerder ontdekt en behandeld worden, waardoor een opname mogelijk voorkomen kan worden.
De ontwikkeling van AI heeft de afgelopen twee jaar met zevenmijlslaarzen de zorg betreden. Dat geldt ook voor de ggz. De vraag is natuurlijk in hoeverre AI-oplossingen ook daadwerkelijk een meerwaarde bieden. Het Deense onderzoek laat veelbelovende resultaten zien. In Nederland werd onlangs een onderzoek aangekondigd naar de eventuele meerwaarde en toepasbaarheid van AI in de psychiatrie. Dat onderzoek, onder leiding van psychiater Wim Veling, richt zich met name op ethische vraagstukken om een goede basis te kunnen leggen voor AI-toepassingen in de psychiatrie. “Daarvoor moeten we weten of het acceptabel is om patiënten met een virtuele psychiater te helpen en aan welke eisen dit moet voldoen”, aldus Veling.
Ook andere ziekten eerder opsporen
Het voorspellen van een gedwongen ggz-opname binnen zes maanden is slechts één voorbeeld van hoe deze technologie gebruikt kan worden. Volgens de onderzoekers kan het machine learning-algoritme namelijk ook ingezet worden om aandoeningen zoals hart- en vaatziekten en diabetes type 2 te voorspellen bij patiënten die behandeld worden in psychiatrische instellingen.
“De gemiddelde levensverwachting voor mensen met ernstige psychische aandoeningen is aanzienlijk korter dan die van de algemene bevolking, waarbij hart- en vaatziekten en diabetes type 2 aanzienlijk bijdragen aan deze extra sterfte. Volgens ons onderzoek kan machine learning ons in staat stellen om deze ziekten eerder op te sporen en te behandelen. In sommige gevallen kunnen we zelfs voorkomen dat ze zich ontwikkelen”, legt Østergaard uit.
