Geen overbodige luxe, aangezien een aanzienlijk aantal patiënten waarvan de arts momenteel denkt dat ze te vroeg gaan bevallen, dat uiteindelijk niet doet. Dit brengt onnodige onrust en ziekenhuisopnames met zich mee, alsook toediening van medicatie die misschien niet nodig was. Bovendien is de timing van de behandeling, wanneer er wél een verhoogd risico is op vroeggeboorte, belangrijk voor de uiteindelijke gezondheid van het kind.

Kan machine learning medische beslissingen ondersteunen?

Een van de maatregelen bij een vermoeden van vroeggeboorte is de toediening van antenatale corticosteroïden ter bevordering van de foetale longrijping. Deze behandeling lijkt het meest efficiënt tussen twee en zeven dagen voor de bevalling. Goede timing en een correcte inschatting van de eventuele vroeggeboorte zijn dus belangrijk. Iets waarin zelfs gespecialiseerde dokters zichzelf nog veel ruimte voor verbetering geven.

Vandaar het ontwikkelde algoritme, dat op basis van een bestaande dataset van enkele honderden patiënten die te vroeg bevallen zijn, heeft geleerd om een inschatting te maken van de kans op een te vroege bevalling binnen de 7 dagen na opname. Twee aspecten zijn daarbij het vermelden waard: hoe het algoritme is opgebouwd en hoe het samenwerkt met de arts.

Machine learning en arts leren van elkaar

Wat de opbouw van het algoritme betreft, is het bijzondere dat het model zich niet alleen baseert op de gestructureerde data uit het medisch dossier (zwangerschapsduur, al dan niet gebroken vliezen...), maar ook de ongestructureerde data kan analyseren (notities van de artsen en vroedvrouwen). Geen gemakkelijke opdracht, want niet iedereen noteert op dezelfde manier. Zo schrijft de ene alles voluit, waar de andere bepaalde afkortingen gebruikt. Het team in Gent deed testen waarbij het enkel de gestructureerde of de ongestructureerde data gebruikte en dit leverde ongeveer dezelfde accuraatheid op. Echter, door beide databronnen te combineren, verbeterde de voorspelling aanzienlijk.

Betreffende de samenwerking met de arts, is het belangrijk te weten dat de arts en het algoritme onafhankelijk van elkaar een voorspelling doen. Het is geen wedstrijd om te zien wie de beste voorspelling maakt , maar eerder de vraag of het algoritme de werking van arts kan ondersteunen op vlak van nauwkeurigheid of snelheid. En omgekeerd: hoe de opinie van de arts het machine learning model kan verbeteren. Daarom doen ze dus beide een voorspelling en de gevallen waarbij ze elk een andere voorspelling doen, zijn het interessantst. Het algoritme geeft aan op basis van welke gegevens het een conclusie trekt.

Het project rond vroeggeboortes is slechts één voorbeeld waarin de meerwaarde van AI in de diagnostiek wordt onderzocht

Het is dan aan de arts om deze AI-redenering te bekijken en een finale beslissing te nemen. Anderzijds kunnen artsen op hun beurt het algoritme verbeteren door het te corrigeren wanneer hun persoonlijke ervaring toch de bovenhand haalt op de redenering en conclusie van het machine-learning model. Het leren kan dus in twee richtingen gebeuren en de arts heeft altijd het laatste woord.

Niet alleen voor vroeggeboortes

Zodra het vroeggeboortemodel volledig op punt staat, zal het voorspellend vermogen in een prospectief onderzoek getest worden. Ook verkent het team een samenwerking met Ziekenhuis Oost-Limburg (ZOL) en imec spin-off Bloomlife, die een wearable heeft ontwikkeld voor thuismonitoring van contracties. Samen zullen ze kijken of de sensordata van deze wearable de accuraatheid van het AI-algoritme nog kan verbeteren.

Het project rond vroeggeboortes is slechts één voorbeeld waarin de meerwaarde van AI in de diagnostiek wordt onderzocht. Zo loopt bijvoorbeeld ook een project rond migraine, een aandoening waarvoor nog geen klinische biomarkers bekend zijn. AI zou kunnen helpen detecteren of bepaalde zaken, zoals chocolade eten, een trigger zijn voor migraine, of net het gevolg ervan. AI kan ook van nut zijn bij bijvoorbeeld dementie en epilepsie, aandoeningen waarvan de patiënt het ziektebeeld moeilijker kan beschrijven op het moment van consultatie bij de arts.

Ook hier kan AI helpen door data te analyseren van wearables of van sensoren die in de dagelijkse omgeving van de patiënt geïnstalleerd worden. Zo maakt Bloomlife al gebruik van zelflerende systemen bij de ontwikkeling van de modellen voor hun software voor thuismonitoring van zwangere vrouwen. En denk ook aan klinische studies, waarbij het monitoren van patiënten en zelflerende systemen kunnen helpen bij het detecteren en correct interpreteren (of uitsluiten) van contextuele informatie die mogelijk een invloed kan hebben op de uitkomst van de studie.

Kortom, zoals mijn collega Jan Adriaenssen het verwoordde in de recente AI-special van imec: "Het zal bij AI niet zozeer gaan om de funky toepassingen zoals vliegende auto's, maar wel over het ondersteunen van tragere evoluties die de algehele gezondheid en welbehagen verbeteren."

Geen overbodige luxe, aangezien een aanzienlijk aantal patiënten waarvan de arts momenteel denkt dat ze te vroeg gaan bevallen, dat uiteindelijk niet doet. Dit brengt onnodige onrust en ziekenhuisopnames met zich mee, alsook toediening van medicatie die misschien niet nodig was. Bovendien is de timing van de behandeling, wanneer er wél een verhoogd risico is op vroeggeboorte, belangrijk voor de uiteindelijke gezondheid van het kind. Kan machine learning medische beslissingen ondersteunen?Een van de maatregelen bij een vermoeden van vroeggeboorte is de toediening van antenatale corticosteroïden ter bevordering van de foetale longrijping. Deze behandeling lijkt het meest efficiënt tussen twee en zeven dagen voor de bevalling. Goede timing en een correcte inschatting van de eventuele vroeggeboorte zijn dus belangrijk. Iets waarin zelfs gespecialiseerde dokters zichzelf nog veel ruimte voor verbetering geven. Vandaar het ontwikkelde algoritme, dat op basis van een bestaande dataset van enkele honderden patiënten die te vroeg bevallen zijn, heeft geleerd om een inschatting te maken van de kans op een te vroege bevalling binnen de 7 dagen na opname. Twee aspecten zijn daarbij het vermelden waard: hoe het algoritme is opgebouwd en hoe het samenwerkt met de arts.Machine learning en arts leren van elkaarWat de opbouw van het algoritme betreft, is het bijzondere dat het model zich niet alleen baseert op de gestructureerde data uit het medisch dossier (zwangerschapsduur, al dan niet gebroken vliezen...), maar ook de ongestructureerde data kan analyseren (notities van de artsen en vroedvrouwen). Geen gemakkelijke opdracht, want niet iedereen noteert op dezelfde manier. Zo schrijft de ene alles voluit, waar de andere bepaalde afkortingen gebruikt. Het team in Gent deed testen waarbij het enkel de gestructureerde of de ongestructureerde data gebruikte en dit leverde ongeveer dezelfde accuraatheid op. Echter, door beide databronnen te combineren, verbeterde de voorspelling aanzienlijk.Betreffende de samenwerking met de arts, is het belangrijk te weten dat de arts en het algoritme onafhankelijk van elkaar een voorspelling doen. Het is geen wedstrijd om te zien wie de beste voorspelling maakt , maar eerder de vraag of het algoritme de werking van arts kan ondersteunen op vlak van nauwkeurigheid of snelheid. En omgekeerd: hoe de opinie van de arts het machine learning model kan verbeteren. Daarom doen ze dus beide een voorspelling en de gevallen waarbij ze elk een andere voorspelling doen, zijn het interessantst. Het algoritme geeft aan op basis van welke gegevens het een conclusie trekt.Het is dan aan de arts om deze AI-redenering te bekijken en een finale beslissing te nemen. Anderzijds kunnen artsen op hun beurt het algoritme verbeteren door het te corrigeren wanneer hun persoonlijke ervaring toch de bovenhand haalt op de redenering en conclusie van het machine-learning model. Het leren kan dus in twee richtingen gebeuren en de arts heeft altijd het laatste woord.Niet alleen voor vroeggeboortesZodra het vroeggeboortemodel volledig op punt staat, zal het voorspellend vermogen in een prospectief onderzoek getest worden. Ook verkent het team een samenwerking met Ziekenhuis Oost-Limburg (ZOL) en imec spin-off Bloomlife, die een wearable heeft ontwikkeld voor thuismonitoring van contracties. Samen zullen ze kijken of de sensordata van deze wearable de accuraatheid van het AI-algoritme nog kan verbeteren. Het project rond vroeggeboortes is slechts één voorbeeld waarin de meerwaarde van AI in de diagnostiek wordt onderzocht. Zo loopt bijvoorbeeld ook een project rond migraine, een aandoening waarvoor nog geen klinische biomarkers bekend zijn. AI zou kunnen helpen detecteren of bepaalde zaken, zoals chocolade eten, een trigger zijn voor migraine, of net het gevolg ervan. AI kan ook van nut zijn bij bijvoorbeeld dementie en epilepsie, aandoeningen waarvan de patiënt het ziektebeeld moeilijker kan beschrijven op het moment van consultatie bij de arts. Ook hier kan AI helpen door data te analyseren van wearables of van sensoren die in de dagelijkse omgeving van de patiënt geïnstalleerd worden. Zo maakt Bloomlife al gebruik van zelflerende systemen bij de ontwikkeling van de modellen voor hun software voor thuismonitoring van zwangere vrouwen. En denk ook aan klinische studies, waarbij het monitoren van patiënten en zelflerende systemen kunnen helpen bij het detecteren en correct interpreteren (of uitsluiten) van contextuele informatie die mogelijk een invloed kan hebben op de uitkomst van de studie.Kortom, zoals mijn collega Jan Adriaenssen het verwoordde in de recente AI-special van imec: "Het zal bij AI niet zozeer gaan om de funky toepassingen zoals vliegende auto's, maar wel over het ondersteunen van tragere evoluties die de algehele gezondheid en welbehagen verbeteren."