Data science in medisch onderzoek heeft de toekomst
Het gebruik van data in zorgorganisaties verandert
De toename van data en de veelheid aan datasoorten vraagt om nieuwe manieren om deze data te analyseren. Data science kan daarbij helpen en doet daarom dan ook steeds vaker haar intrede in Nederlandse cure- en care-organisaties. Het levert toegevoegde waarde voor onder andere medisch onderzoek, behandeltrajecten en bedrijfsmatige en logistieke processen. Binnen afzienbare tijd zal het onderdeel van de dagelijkse werkzaamheden zijn. Voor zorgprofessionals die veel met data te maken gaan hebben, kan het dus zinvol zijn om zich in data science te verdiepen en te kijken naar de mogelijkheden die het biedt.
Data science in het kort
Data science is een relatief nieuwe manier voor organisaties om informatie uit data te halen. Het stelt medische professionals in staat om grote hoeveelheden en uiteenlopende soorten data te exploreren, analyseren en modelleren. Hierbij worden geavanceerde wiskundige technieken en algoritmen gebruikt. Met data science kunnen vooralsnog onbekende structuren in datasets gevonden worden en kunnen er voorspellingen worden gedaan. Zorgorganisaties gebruiken deze kennis om hun bedrijfsvoering en (medische) besluitvorming te ondersteunen, verbeteren en optimaliseren en daarmee beter hun doelstellingen te behalen.
Data science in medisch onderzoek
Inmiddels zijn er al vele toepassingen van data science bij medisch onderzoek. Zo wordt het bijvoorbeeld ingezet bij het detecteren van kanker in biopsiebeelden. Het handmatig identificeren van kanker in biopsiebeelden is subjectief en varieert per persoon, onder andere door gebrek aan specifieke maatstaven om beelden te classificeren. Het automatisch identificeren van kankercellen in biopsiebeelden kan deze problemen verlichten. Kanker kan op basis van beelden (Röntgen, CT Scan, PET Scan, Echo en MRI) en op basis van pathologie (urine en bloed) gedetecteerd worden. De patholoog doet microscopisch onderzoek naar weefselmonsters om kanker te detecteren. Hierbij gebruikt hij beelden van biopsieën die worden onderverdeeld in de categorieën ‘kanker’ en ‘geen kanker’. De onderverdeling vindt plaats op basis van vorm en afmetingen van cellen, vorm en afmetingen van celkernen en de verdeling van cellen. Data kan onder andere helpen bij de segmentatie van relevante structuren in de beelden of het extraheren van features als vorm en afmeting uit de beelden.
Geautomatiseerde hulp bij het identificeren van kanker kan van grote waarde zijn, het is dan ook niet voor niets dat steeds meer zorgorganisaties hiermee experimenteren. Het Radboud UMC in Nijmegen startte bijvoorbeeld in 2017 een samenwerking met Google. Google kreeg biopsie-afbeeldingen van mensen met borstkanker en gebruikte deze om zijn deep learning algoritmes, die basaal al bestonden in Google Foto’s, te leren uitgezaaide borstkanker te identificeren.
Vroegtijdig detecteren van sepsis
Sepsis, oftewel bloedvergiftiging, is lastig vast te stellen. Een snelle diagnose en behandeling zijn echter van levensbelang. Ieder uur vertraging in de opsporing van sepsis leidt tot een zeven procent verhoogde kans op overlijden. De Hopkins Universiteit in Baltimore heeft machine learning ingezet om hier een oplossing voor aan te reiken: het Targeted Real-time Early Warning System for septic shock (TREWS). Het systeem leert op basis van data van duizenden eerdere patiënten en zoekt in die data naar subtiele aanwijzingen en symptomen die zich voordoen bij patiënten met sepsis. Daarnaast kijkt het systeem naar ieder mogelijk sepsis signaal in de context van andere aandoeningen die eenzelfde signaal kunnen veroorzaken.
Ook andere ziekenhuizen en onderwijsinstellingen hebben initiatieven ontplooid om sepsis op te sporen met behulp van machine learning. Een groep onderzoekers van het Britse Imperial College heeft een set algoritmes opgesteld die de beste behandeling voor het voorkomen van bloedvergiftiging (sepsis) aangeeft. De software analyseerde een dataset van honderdduizend ziekenhuisopnames en zette deze af tegen bijna vijftig variabelen. Hierna konden de onderzoekers de optimale behandeling adviseren. Het Akron kinderziekenhuis in Ohio zet data science en algoritmes in om vroegtijdig sepsis onder kinderen te detecteren. Hiervoor maken ze gebruik van de Rothman Index die gegevens uit het elektronische patiëntendossier (EPD) vastlegt en de gezondheid van een patiënt monitort. De Rothman Index genereert regelmatig een up-to-date gezondheidsscore met daarin vitale functies, verpleegkundige beoordelingen en laboratoriumresultaten. Hiermee kunnen eerder dan gebruikelijk de eerste signalen voor bloedvergiftiging opgepikt worden, waardoor levens worden gered.
Voorwaarden voor succes
De bovengenoemde voorbeelden waren geen succes geworden zonder de beleidsmakers die het gestimuleerd hebben om de benodigde data beschikbaar te maken. Ook is een zorgorganisatie die de focus legt op kwaliteit van zorg en niet op kwantiteit een voorwaarde voor succes. En tenslotte heb je natuurlijk de juiste engineers nodig om de technologie te bouwen. We zien nu de allereerste mogelijkheden die data science medisch onderzoek kan bieden. Het toepassen ervan is zeker niet alleen een technische, maar ook een organisatorische uitdaging. Echter, wie deze uitdaging aan durft te gaan, plukt potentieel van zeer interessante vruchten.