Levenseinde voorspellen met patiëntendossiers | medischcontact

Dagelijks opinie, nieuws en achtergronden

naar overzicht
innovatie

Levenseinde voorspellen met patiëntendossiers

1 reactie
getty images
getty images

Textmining is een techniek om patronen te herkennen in grote hoeveelheden tekst. Toegepast op patiëntendossiers is zo een naderend levenseinde beter te voorspellen dan met vragenlijsten. Dat biedt perspectief om de zorg te verbeteren.

Het streven naar kwaliteitsverbetering in de zorg heeft geleid tot een stortvloed aan indicatoren, vinklijstjes en administratieve handelingen. Het loont de moeite om deze data beter en slimmer te gebruiken. In big data – grote hoeveelheden heterogene, snel veranderende gegevens vanuit allerlei bronnen – kunnen betekenisvolle patronen worden ontdekt. Bij gebruik van gestructureerde data spreken we over datamining, bij gegevens uit vrije tekst over textmining.1 2

Automatische analyse van bestaande data biedt veel mogelijkheden. De administratielast kan bijvoorbeeld afnemen als declaraties rechtstreeks zijn af te leiden uit het zorgdossier. Ook de kwaliteit van de zorg kan door deze analyses verbeteren. Onlangs berichtte Zorgvisie over een algoritme dat adverse events zoals delirium of ondervoeding kan vaststellen op basis van teksten in het elektronisch patiëntendossier (epd).3 Dit bespaart handmatig dossieronderzoek.

Palliatieve fase

Als de (huis)arts vroeg herkent wanneer de palliatieve fase moet beginnen, kan hij de zorg rondom het levenseinde, samen met de patiënt optimaliseren (advance care planning). Dat leidt tot een hogere kwaliteit van leven en sterven, minder onnodig intensieve zorg, minder druk op nabestaanden en meer patiënten die overlijden op de plaats van voorkeur.4

Op dit moment kan de (huis)arts met diverse meetinstrumenten inschatten wanneer de palliatieve fase is aangebroken en wanneer het gesprek over advance care planning (ACP) kan worden gevoerd. De bekendste zijn de Supportive & Palliative Care Indicators (SPICT) en de Radboud Indicators for PAlliative Care Needs (RADPAC) in combinatie met de Surprise Question (SQ): ‘Zou u verbaasd zijn als deze patiënt over een jaar is overleden?’5-7 Grofweg spelen bij deze hulpmiddelen echter drie problemen.

Ten eerste veronderstellen deze instrumenten op voorhand een zekere mate van bewustzijn en proactiviteit bij de huisarts. Deze moet zich realiseren dat hij met een palliatieve patiënt van doen kan hebben, om vervolgens proactief een gesprek over het naderende levenseinde met de patiënt aan te gaan. Dit gebeurt echter lang niet altijd: in een trial met de RADPAC en de SQ werd slechts 24 procent van de palliatieve patiënten als zodanig geïdentificeerd.8

Ten tweede is de voorspellende waarde van deze instrumenten beperkt. Artsen kunnen relatief goed inschatten welke patiënten niet binnen een jaar zullen overlijden, maar voorspellen welke patiënten wel binnen een jaar zullen overlijden, blijkt moeilijk. Gebruik van de SQ levert sterk wisselende resultaten op: er wordt geregeld vals alarm geslagen en er worden risicogevallen over het hoofd gezien.9

Ten derde is klinische ervaring nodig om de palliatieve fase te leren onderkennen. In een huisartsenpraktijk overlijdt gemiddeld één patiënt per maand. Het duurt dus een aantal jaar voordat artsen een goede ‘antenne’ hebben ontwikkeld en het levenseinde tijdig zien aankomen. Bij het schatten van de levensverwachting zijn artsen vaak te optimistisch, waardoor ACP te laat of helemaal niet aan bod komt.10

Computermodel

Computers bieden een interessant alternatief voor de menselijke beoordeling. Ze kunnen worden getraind op honderdduizenden sterfgevallen en hebben een perfect geheugen. Bovendien zijn ze snel, systematisch, objectief en consistent: gegeven dezelfde informatie, zullen ze altijd hetzelfde oordeel geven. We trainden een computermodel om de levensverwachting van patiënten te voorspellen op basis van hun data in het huisartseninformatiesysteem (HIS). We maakten gebruik van HIS-data in de database FaMe-net, die beschikbaar is gesteld voor onderzoek en kwaliteitsverbetering.11 Hieruit selecteerden we alle patiënten die tussen 2003 en 2016 zijn overleden (n=1234). Van elke patiënt verzamelden we dossiergegevens van vijf jaar voor het overlijden. De dossiers bevatten gestructureerde data zoals diagnoses, meetwaardes en medicatievoorschriften, en ongestructureerde data zoals vrije tekst.

Kunstmatige neurale netwerken herkennen complexe patronen

We trainden een zogeheten kunstmatig ‘neuraal netwerk’ met deze patiëntendossiers om daarmee de levensverwachting automatisch te voorspellen.12 Kunstmatige neurale netwerken zijn zelflerende algoritmes die complexe patronen kunnen herkennen in een grote hoeveelheid data – patronen die voor mensen lastig zijn te herkennen.

Woordenwolk

Om de medische dossiers in het model te kunnen invoeren, maakten we numerieke representaties van de data. Met behulp van bijvoorbeeld semantische woordenwolken kunnen we de relaties tussen verschillende medische codes weergeven, net als de relaties tussen woorden. Deze aanpak berust op een theorie uit de taalkunde die stelt dat woorden die op een soortgelijke manier worden gebruikt, gerelateerde betekenissen hebben.13 Figuur 1 op blz. 20 toont een cluster in de woordenwolk dat we aantreffen rondom het woord ‘palliatie’.12

Hoewel deze theorie bedoeld is om talige fenomenen te beschrijven, passen we het idee ook toe op de gestructureerde data uit de dossiers (diagnostische codes, lab- en meetwaarden en medicatie), zoals gevisualiseerd in figuur 2 op blz. 20.

De visualisatie laat thematische clusters van medische concepten zien. Hoe dichter punten bij elkaar liggen in de wolk, hoe vaker zij samen voorkomen in de dossiers, en hoe sterker zij gerelateerd zijn. Met de gevonden woordclusters trainden we een computermodel om de levensverwachting te voorspellen. We trainden ons model op 90 procent van de dataset en valideerden het op de resterende 10 procent.

Voorspellend vermogen

Het voorspellend vermogen van ons model beoordeelden we met dezelfde criteria die ook worden gebruikt om het voorspellend vermogen van artsen te beoordelen: een voorspelling is correct als deze binnen een bandbreedte van 33 procent van de werkelijke sterfdatum valt.10 Worden er uitsluitend gestructureerde data gebruikt, dan scoort ons model even goed als artsen: 20 procent van de voorspellingen valt binnen deze bandbreedte, en is dus correct. Nemen we de ongestructureerde, vrije tekst ook mee, dan overtreft het model deze score en valt 29 procent binnen de bandbreedte.

Wij schrijven deze toename in nauwkeurigheid toe aan de aard van de tekstuele data. Brieven en notities van en aan de huisarts zijn een rijke bron van informatie over het leven van de patiënt, zoals diens fysieke en mentale functioneren, emotionele gesteldheid, leefomstandigheden en dagelijkse activiteiten. Dit soort ‘verborgen’ aanwijzingen voor het naderende levenseinde, zijn slecht te vangen in een vaste set van medische codes. Het model haalt extra informatie uit de nuances en details die – bewust of onbewust – door de arts zijn aangebracht in de teksten, en leert deze informatie te gebruiken in de voorspellingen.

Beter en tijdiger

Het model kan de dokter en de patiënt helpen om tijdig te spreken over het levenseinde en daar afspraken over te maken, zelfs als beiden denken dat het einde nog wel even op zich zal laten wachten. Het prognostische model is geheel analoog aan de beslissingsondersteunende modellen en risicotabellen die dagelijks gebruikt worden in de spreekkamer van de huisarts en praktijkondersteuner. Ons model biedt de huisarts straks extra informatie om de palliatieve fase nog beter en tijdiger te begeleiden.

We interviewden een groep huisartsen, onder wie kaderartsen palliatieve zorg, om te onderzoeken of de invoering van een beslissingsondersteunende signaleringstool die voorspellingen doet over overlijden, ethisch gezien wel verantwoord is. Dit leverde een aantal zorgvuldigheidsvragen op, waar we rekening mee houden bij het ontwerp van de signaleringstool. De huisartsen vinden dat het instrument geen extra administratieve lasten mag opleveren en niet mag leiden tot verstoring van de arts-patiëntrelatie; de timing van het signaal dat de signaleringstool afgeeft, en het gesprek dat daarop volgt is belangrijk, evenals de inbedding van de signaleringstool in een breder trainingsprogramma.

Van meer principiële aard zijn de wenselijkheidsvragen die ze stellen. Deze hangen samen met medisch-ethische principes van weldoen (de tool vergroot de kans op ‘passende zorg’ rond het levenseinde), niet-schaden (te vroeg of ontactisch gebruik kan schadelijk zijn), autonomie (arts en patiënt kunnen beter geïnformeerde keuzes maken, terwijl de verkregen informatie wel een extra verantwoordelijkheid bij de arts neerlegt) en de waarde van relaties (zowel de arts-patiëntrelatie als die tussen arts en behandelend specialist wordt met de signaleringstool ondersteund).

Oerwoud van data

Door het voorspellen van de levensverwachting beogen we tijdig te starten met ACP. Wat ‘tijdig’ is, hangt niet alleen af van de levensverwachting, maar ook van het ziektebeeld, de verwachte kwaliteit van leven en de voorkeuren van de patiënt en zijn naasten. Samen met experts gaan we daarom een gouden standaard ontwikkelen voor het bepalen van het optimale moment om het levenseinde ter sprake te brengen. Ons doel is een signaleringstool te ontwikkelen, die automatisch – en voor iedere patiënt afzonderlijk – dit optimale moment voorspelt en aangeeft.

Tot nu toe ging het om een proef op basis van weinig data (n=1234). In dat opzicht presteert ons model al behoorlijk. De komende tijd zullen we het model verder trainen met een sterk uitgebreide dataset, afkomstig van het Radboudumc, ErasmusMC, LUMC en het UMCG. We verwachten dat het model daarmee beter wordt. Met recentelijk toegekende subsidies van de Radboud Universiteit en ZonMw kunnen we het model ook daadwerkelijk implementeren en evalueren in de huisartsenpraktijk.12

De toepassing van textmining in de huisartsenzorg is een mooie stap om het snelgroeiende oerwoud van medische data blijvend betekenis te geven. Textmining helpt de dokter om door de bomen het bos te blijven zien, optimaal te profiteren van zorgvuldige verslaglegging, en nieuwe inzichten te verwerven. Het gaat om ondersteuning van de professional in de dagelijkse praktijk en niet om het ‘overnemen’ van de menselijke zorg. Wij verwachten dan ook dat textmining in de huisartspraktijk op termijn zal leiden tot betere en meer gepersonaliseerde zorg. 

auteurs

Stef Groenewoud, gezondheidswetenschapper en ethicus, Radboudumc, IQ healthcare, Nijmegen

Merijn Beeksma, PhD student, Radboud Universiteit, communicatie- en informatiewetenschappen, Nijmegen

Henk Schers, huisarts en bestuurder FaMe-net, Radboudumc, Eerstelijnsgeneeskunde, Nijmegen

André van der Veen, De Praktijk Index, Bilthoven

Geen belangenverstrengeling gemeld door de auteurs.

contact

stef.groenewoud@radboudumc.nl

cc: redactie@medischcontact.nl

Referenties

1. IBM, 2015. The four V’s of Big Data. Infographic. http://www.ibmbigdatahub.com/sites/default/files/infographic_file/4-Vs-of-big-data.jpg. Geraadpleegd op 15 november 2017

2. IBM, M. Brown, 2012. Data mining techniques. Data mining as a process. https://www.ibm.com/developerworks/library/ba-data-mining-techniques/. Geraadpleegd op 15 november 2017.

3. Kiers B. 2017. Kunstmatige intelligentie halveert administratielast Zorgvisie, 28 november 2017

4. Brinkman-Stoppelenburg A, Rietjens JA, van der Heide A. The effects of advance care planning on end-of-life care: A systematic review. Palliative medicine. 2014

5. Highet G, Crawford D, Murray SA, Boyd K. Development and evaluation of the Supportive and Palliative Care Indicators Tool (SPICT): a mixed-methods study. BMJ supportive & palliative care. 2014; 4(3): 285-90.

6. Thoonsen B, Engels Y, van Rijswijk E, Verhagen S, van Weel C, Groot M, et al. Early identification of palliative care patients in general practice: development of RADboud indicators for PAlliative Care Needs (RADPAC). The British journal of general practice : the journal of the Royal College of General Practitioners. 2012; 62(602): e625-31.

7. Della Penna R. Asking the right question. Journal of palliative medicine. 2001; 4(2): 245-8.

8. Thoonsen et al. Vroegtijdige herkenning van palliatieve patiënten. Huisarts & Wetenschap, mei 2016.

9. White N, Kupeli N, Vickerstaff V, Stone P. How accurate is the ‘Surprise Question’ at identifying patients at the end of life? A systematic review and meta-analysis. BMC Medicine 2017; 15: 139.

10. Christakis NA, Smith JL, Parkes CM, Lamont EB. Extent and determinants of error in doctors’ prognoses in terminally ill patients: prospective cohort study. British Medical Journal, 2000, 320 (7233): 469-73.

11. https://www.transhis.nl/language/nl/. Geraadpleegd op 19 december 2017.

12. Voor een uitgebreide beschrijving van alle genoemde methoden, de experimenten die tot deze methoden hebben geleid, en de resultaten, zie onze pilotstudie (Beeksma 2017). http://theses.ubn.ru.nl/handle/123456789/5029

download dit artikel (pdf)

levenseinde innovatie
Dit artikel delen
Op dit artikel reageren inloggen

Reacties

  • T.Klok, anesthesioloog, AMSTELVEEN 05-06-2018 07:09

    "Heel interessant stuk.
    En bruikbaar op vele gebieden denk ik.
    Aangezien ik zelf regelmatig met een vorm van datamining bezig ben ben ik erg geïnteresseerd in de gebruikte technieken.
    Graag ontvang ik de thesis van Merijn Beeksma. De link bleek niet te werken.

    Toni Klok
    t.klok@olvg.nl"

 

Cookies op Medisch Contact

Medisch Contact vraagt u om cookies te accepteren voor optimale werking van de site, kwaliteitsverbetering door geanonimiseerde analyse van het gebruik van de site en het tonen van relevante advertenties, video’s en andere multimediale inhoud. Meer informatie vindt u in onze privacy- en cookieverklaring.