Het Trimbos-instituut ontwikkelt met behulp van machine learning een visuele ondersteuningstool waarmee behandelaar en patiënt halverwege een behandeltraject inzicht krijgen in de effectiviteit van de behandeling. De tool is bedoeld voor na een GGZ-behandeling voor angst of depressie.
Behandelingen die niet leiden tot de gewenste verbetering gaan gepaard met een lage kwaliteit van leven en onnodige zorgkosten. Patiënten die niet geholpen zijn met hun behandeling zouden idealiter eerder gesignaleerd worden, zodat de behandeling tijdig kan worden aangepast. Met behulp van machine learning kan dit.
In dit door het "Stichting .nldomein"-fonds (SIDN-fonds) gesubsidieerde project, werken we aan de ontwikkeling van een predictiemodel waarmee de behandeleffectiviteit wordt voorspeld. Hierin staan twee innovaties centraal.
Twee innovaties
Ten eerste wordt een predictiemodel ontwikkeld dat in staat is om voorspellingen op een intuïtieve, visuele en transparante te communiceren, ten opzichte van de veelal ondoorzichtige ‘black box’ voorspellingen die momenteel vaak uit predictiemodellen voortkomen. Door de voorspellingen intuïtief en transparant te visualiseren, kunnen behandelaars een predictiemodel veel beter op waarde inschatten, en beter bepalen op welke manier ze deze kunnen gebruiken in hun dagelijkse praktijk.
Een tweede innovatie binnen dit project is dat nieuwe statistische technieken worden ontwikkeld waarmee data van instellingen kunnen worden gecombineerd, zonder dat deze data daarvoor de instelling verlaten. Dit opent de mogelijkheid voor instellingen om samen te werken, zonder dat dat additionele datarisico’s met zich meebrengt.
‘Verdiep je in machine learning’
Het project staat onder leiding van dr. Joran Lokkerbol, werkzaam bij het Centrum voor Economische Evaluaties en Machine Learning van het Trimbos Instituut, en loopt tot december 2021. Lokkerbol stelde eind vorig jaar nog dat GGZ-instellingen die zich niet verdiepen in kunstmatige intelligentie het risico lopen op een zijspoor te komen staan.
Machine learning is in opkomst doordat de wens naar gepersonaliseerde en proactieve zorg steeds sterker wordt. Machine learning-algoritmen kunnen uit grote datasets inzichten verkrijgen, zoals patronen die wijzen op een bepaalde aandoening. Dat gaat volgens een stap verder dan weten met welke behandeling of interventie patiënten gemiddeld genomen het beste geholpen zijn. Juist het kunnen voorspellen welke specifieke patiënten wel of niet geholpen zijn met bepaalde zorg, is een van de mogelijkheden van machine learning.
