Machine learning op de intensive care

Binnenkort kunnen artsen op de intensive care (ic) door middel van machine learning een betere beslissing maken of een patiënt de ic mag verlaten. De 'ontslagsoftware' helpt bij moeilijke keuzes, maar beslist niet. Leverancier Pacmed Critical won samen met Amsterdam UMC de Computable Award 2019 voor Ict-project van het Jaar in de Zorg. Een update.

Een willekeurige patiënt op de intensive care genereert ongeveer 30.000 datapunten per dag. Het gaat om waardes van de vitale functies als ademhaling, bloeddruk, hartslag en temperatuur, maar ook welke labtesten met welke resultaten zijn uitgevoerd. Al die informatie samen kan iets zeggen over de kans dat een patiënt opnieuw moet worden opgenomen als hij van de afdeling ontslagen zou worden. Algoritmes die met machine learning gegenereerd worden, doen op basis van zelf gevonden patronen en verbanden voorspellingen: wat is de kans op heropname of vroegtijdig overlijden binnen zeven dagen als de patiënt nu van de ic afgaat?

Pacmed bedacht samen met intensivisten deze ‘ontslagsoftware’ om artsen te ondersteunen bij het nemen van belangrijke beslissingen door informatie te delen over wat bij vergelijkbare patiënten heeft gewerkt. Als een patiënt te vroeg wordt ontslagen kan dat leiden tot ernstige medische gevolgen en zelfs tot een te vroege dood. Te vroeg ontslag kan ook leiden tot een heropname op de ic en dat is extreem vervelend voor patiënten. De kans op overlijden bij een tweede opname is hoger. Maar te lang op de ic is ook niet goed voor het welzijn van een patiënt. Bovendien moeten er nieuwe patiënten opgenomen kunnen worden. In Nederlandse ziekenhuizen is de beddencapaciteit op ic-afdelingen niet altijd voldoende voor de vraag.

Validatieproces

De ontslagsoftware van Pacmed is vanaf 2018 ontwikkeld samen met Amsterdam UMC. Daarna heeft Pacmed de software bij andere ziekenhuizen in Nederland gevalideerd. Het is altijd de bedoeling geweest van het bedrijf zoveel mogelijk patiënten te bereiken. Directeur Willem Herter: ‘We zijn gestart met Pacmed omdat we niet alleen wetenschappelijke papers willen schrijven over machine learning, maar juist ook omdat we producten willen ontwikkelen die helpen bij de besluitvorming van dokters. Papers en wetenschappelijke validatie zijn erg belangrijk, maar hebben vaak een langere weg naar echte impact. De snelste manier om patiënten te laten profiteren van dit soort technologie is om het aan artsen aan te bieden als bron van informatie op het moment van besluitvorming.’

Al snel bleek dat het niet vanzelfsprekend is dat een algoritme, dat goed werkt voor ic-patiënten in Amsterdam, ook goed werkt voor ziekenhuizen met andere populaties. Amsterdam UMC is een universitair medisch centrum met een specifieke populatie. Herter: ‘Als het algoritme goed heeft geleerd te voorspellen op basis van de patiënten in een ziekenhuis waar veel hartchirurgie wordt gedaan en vervolgens wordt gebruikt in een ziekenhuis waar bijna geen hartpatiënten liggen, dan is de voorspelkracht in dat tweede ziekenhuis niet vanzelfsprekend even goed.’

Met domain adoptation heeft Pacmed het algoritme flexibel gemaakt zodat het in verschillende domeinen vergelijkbare voorspelkracht heeft. Pacmed werkt nu bijvoorbeeld ook met het topklinische Elisabeth-TweeSteden Ziekenhuis in Tilburg. ‘Het is onmogelijk en niet veilig om een algoritme direct toe te passen op de populatie van een ander ziekenhuis’, zegt Herter. ‘Er zijn namelijk niet alleen verschillen in patiënten, maar ook verschillen in logistiek. Denk bijvoorbeeld aan hoe vaak metingen worden verricht. Een belangrijke stap bij het begin van implementatie is dan ook achterhalen hoe met data-registratie wordt omgegaan in het ziekenhuis.’

Algoritme mag niet zelf beslissen

Op dit moment zijn verschillende ziekenhuizen begonnen met implementatietrajecten. Deze trajecten hebben hebben door de coronacrisis wel vertraging opgelopen. De eerste ziekenhuizen die het naar verwachting in 2020 gaan gebruiken zijn het Amsterdam UMC en het Elisabeth-TweeSteden Ziekenhuis. Tussen de vijf en tien andere ziekenhuizen zijn in een vergevorderd stadium met de implementatie.

Artsen nemen de beslissing over het ontslag van de patiënt zelf. ‘30.000 datapunten is veel’, zegt Herter, ‘maar het geeft nog altijd niet het complete beeld van een patiënt. Dat is ook onze visie op machine learning in de zorg. Het algoritme mag nooit zelf beslissingen nemen, het moet artsen ondersteunen in hun beslissing. Daarom zien artsen niet alleen wat de kans op heropname is, maar ook waarop die kans is gebaseerd. De data moeten transparant en interpreteerbaar zijn voor de arts. We geven artsen inzicht in de kenmerken die ervoor zorgen dat de kans op heropname hoog of laag is. Artsen kunnen daardoor ook beargumenteerd afwijken van het advies.’

Herter vertelt dat ze in een eerder design kleuren gebruikten om aan te geven welke patiënten een relatief hoog of laag risico op heropname hadden volgens de algoritmes. Deze kleuren zijn nu geen onderdeel meer van het design, juist omdat ze op geen enkele manier willen sturen.

Voorzichtigheid is troef

Op basis van retrospectieve scenario-analyses kan Pacmed zien dat de ontslagsoftware het aantal heropnames kan terugdringen met tien tot vijftien procent. De gemiddelde ligduur kan mogelijk met een tot vijf procent verkort worden. Herter: ‘Dat klinkt misschien niet zo veel, maar een ligdag op de ic is enorm duur. Wanneer je bovendien de capaciteit op de ic efficiënt beheert, is er meer ruimte voor electieve chirurgie met bijbehorende opbrengsten. De kleine getallen verbloemen dat het om heel veel geld gaat.’

In de zorg wordt machine learning voorzichtiger gebruikt dan in andere sectoren. Volgens Herter wordt in andere sectoren te weinig getoetst of machine learning waarde toevoegt en of het verantwoordelijk gebeurt. In de zorg worden hoge eisen gesteld aan medische producten, zowel op het medisch, wetenschappelijk, maar ook op ethisch gebied. ‘En dat is maar goed ook. Toch ben ik blij met hoeveel draagvlak wij hebben gecreëerd onder zorgverleners. Dat komt omdat we onze technologie samen met de zorgverlener zelf hebben ontwikkeld en omdat we artsen beslist niet willen vervangen met onze technologie. We willen ze alleen helpen met deze aanvullende vorm van informatie.’

Dit artikel is verschenen in Computable Magazine #3 2020.