Bij acuut zieke mensen is er vaak met name in de eerste uren onvoldoende informatie beschikbaar op de Spoed Eisende Hulp (SEH). Om dat te verbeteren is de databiobank Acutelines opgericht waarin relevante gegevens en lichaamsmaterialen van grote aantallen patiënten worden verzameld. Op die manier kan er meer geleerd worden over welke factoren bijdragen aan (snelle) herkenning en tijdige behandeling van specifieke acute aandoeningen.
De toepassing van biodatabanken is wijd verspreid maar het gebruik voor de spoedeisende hulp is nog uniek in de wereld. Internisten acute geneeskunde Hjalmar Bouma en Jan ter Maaten en Rijk Gans (voorzitter van het Centrum Acute Zorg UMCG) vonden dat er voor de groep patiënten met acute ziekten meer wetenschappelijk onderzoek nodig was. Om dat onderzoek te kunnen doen, is de databiobank Acuteline opgericht. De verzameling van gegevens en lichaamsmaterialen in die biodatabank is niet afhankelijk van het specialisme waarvoor iemand komt of de specifieke diagnose, maar vindt plaat op basis van de mate waarin iemand ziek is.
Veel data nodig voor biodatabank
Het kan bijvoorbeeld voorkomen dat een patiënt een longontsteking niet overleeft. Een longontsteking kan leiden tot sepsis, een sterke reactie op een infectie. Sepsis is een aandoening die veel voorkomt op de spoedeisende hulp en behoeft snel adequate zorg. Het is onbekend waarom bij sommige mensen infecties tot sepsis leiden en andere mensen niet zo ziek worden. Bouma en Ter Maaten: “Om dat te begrijpen is onderzoek met veel gegevens van grote aantallen acuut zieke patiënten nodig. Ook bij andere acute ziekten weten we onvoldoende welke persoon risico loopt op verslechtering.”
Slimme automatisering en AI
Slimme automatisering helpt bij het verwerken van grote hoeveelheden data die nodig zijn in de biodatabank. Acutelines zet ook kunstmatige intelligentie: op basis van verzamelde gegevens wordt een algoritme gebouwd. Ter Maaten: ‘’Een algoritme kun je zien als een soort rekensom waarmee de best mogelijke uitkomst of beslissing uitgerekend kan worden. Dat betekent niet dat de klinische blik niet meer belangrijk is want die nemen we juist mee in de dataverzameling. We hopen te ontdekken die klinische blik precies is. Wat zorgt er voor dat de ene patiënt opgenomen moet worden en de ander naar huis mag? Is het bijvoorbeeld de ademhaling of de kleur van het gezicht? We willen het precies weten en in cijfers kunnen uitdrukken.’’
Onderzoek met bioadatabank gericht op preventie
Uiteindelijk is het onderzoek gericht op preventie: ingrijpen daar waar nodig, verslechtering voorkomen maar ook onnodige opnames zien te vermijden. In de biobank Acutelines worden onder meer uitslagen van bloedonderzoek, pasfoto´s, hartslag, de samenstelling van het haar opgeslagen en ook het onderbuikgevoel van de verpleegkundige wordt gedocumenteerd. Met toestemming van de patiënt worden hier later ook gegevens van vóór de opname aan gekoppeld van huisarts en apotheek. Niet alleen de bekende gegevens als bloeddruk, hartslag en ademhaling, maar ook een bepaald eiwit in het bloed, de variatie in de hartslag of iemands achtergrond kunnen voorspellend zijn.
Juist de combinatie van bepaalde kenmerken geeft veel info. Sommige mensen lopen restschade nadat ze met een acute aandoening op de SEH zijn geweest. Bouma en Ter Maaten willen via info uit de databank weten welke mensen direct moeten worden opgenomen om schade te beperken en wie na de behandeling weer meteen naar huis kan. Preventie is dan ook een belangrijk doel van het onderzoek met behulp van de biodatabank.
Inzet big data & AI groeit
Wetenschappers willen steeds maken steeds meer gebruik van (big) data onderzoek en AI. Om een doorbraak op het gebied van MS te bereiken moet bij MRI-onderzoeken bijvoorbeeld meer en beter gebruik gemaakt worden van big data en kunstmatige intelligentie. Dat schrijft een groep wetenschappers in een gezamenlijk artikel. Daarin worden een aantal concrete mogelijkheden voorgesteld die moeten leiden tot het verbeteren van MRI-metingen bij MS: crowdsourcing, databescherming en challenges.
Een ander voorbeeld zijn onderzoekers van het Catharina Hart- en Vaatcentrum en de TU Eindhoven die kunstmatige intelligentie (AI) inzetten in de hoop te kunnen voorspellen welke patiënten in de jaren na een infarct mogelijk hartritmestoornissen zullen ontwikkelen. Binnen het onderzoeksproject, COMBAT-VT, wordt met behulp van big data en AI een patiënt specifiek model ontwikkeld. Hiermee moet een cardioloog kunnen bepalen hoe groot de kans op de ontwikkeling van hartritmestoornissen is.
