Stel, je bent dokter en je constateert een terugkerend probleem tijdens je werk met patiënten. Een probleem dat andere problemen veroorzaakt. Om zeker te weten dat het aanvankelijke probleem een echt probleem is, verzamel je data. Veel data. Daar zoek je expertise bij en een techniek die uit die data het probleem kan voorspellen in plaats van achteraf te constateren, zelflerende techniek. Machine learning dus. Met dat model kun je in de toekomst de gevolgproblemen voorkomen.
Dat is wat Bart Geerts en collegae deden toen zij een vermoeden hadden dat het continue bloeddruksignaal gebruikt kon worden om lage bloeddruk tijdens operaties te voorspellen. Een lage bloeddruk van minimaal een minuut tijdens de operatie betekent een verhoogde kans op complicaties, vertelt Geerts. “Langer dan een minuut een gemiddelde druk van 65 millimeter of minder, kan narigheid betekenen. Denk aan een hartaanval, een CVA of nierschade na de operatie.”
Probleem was echter dat een naderende lage bloeddruk nauwelijks met het blote oog is waar te nemen. De bloeddrukcurve laat heel subtiele veranderingen zien die, als de verandering al opvalt, nauwelijks door een mens in een risico is uit te drukken. En was het eenmaal zover, dan ben je dus eigenlijk al te laat en ontstaat er schade aan het lichaam.
Monitoring
Nodig was dus een manier om lage bloeddruk eerder op te merken en proactief te gaan handelen. Ieder jaar opereren we in Nederland zo’n 2,4 miljoen mensen, het overgrote deel onder begeleiding van een anesthesioloog. Meer dan de helft – tot wel 70 procent van de patiënten – heeft tijdens een operatie een lage-bloeddruk-episode. Geerts besloot om met de marktleider van bloeddrukmonitoringapparatuur om de tafel te gaan zitten. “We werkten al eerder in een onderzoekssetting met hen samen. Zij hebben onder meer de technologie ontwikkeld waarbij bloeddruk via een bandje om de vinger is te meten, niet-invasief dus. Een bijna continue meting is het resultaat.”
Zij ontwierpen vervolgens een algoritme waarmee de verzamelde data tot een voorspeller van lage bloeddruk leidde: enter machine learning. De software doet tijdens het gebruik ervan ervaringen op die het verwerkt en het algoritme beter maakt: nog secuurder en betrouwbaarder en in staat om verbanden te leggen die je als mens niet direct zult leggen.
Toch hoort Geerts deze vraag vaker: hoe zit het met de klinische blik waarop veel dokters nog steeds prat gaan? “Je klinische blik is in feite een bibliotheek vol met waarnemingen en ervaringen, waarin je de uitkomsten van de individuele patiënt meeneemt. Stel je nu eens voor dat je een computer hebt die nog veel meer waarnemingen kan meewegen; zoveel als geen chirurg in zijn leven zal opdoen, waardoor de behandeling steeds verfijnder wordt. Maar ook berekeningen, alternatieve behandelingen, het interpreteren van een 3D-image die je niet met het blote oog kunt doen of waarvan je de interpretatiemogelijkheden zelfs niet kunt verzinnen; de mogelijkheden zijn eindeloos.”
Sky is the limit
Inmiddels is het apparaat met het voorspellende algoritme uitgerold in meerdere ziekenhuizen in Europa en de VS. Het duurde even voordat machine learning werd goedgekeurd door de medicijnenautoriteiten FDA (VS) en CE (Europa). Er zijn nog geen vaste procedures hoe men met machine learning-gebaseerde tools moest omgaan, regelgeving ontbrak. Nu dat is geregeld, lijkt de sky the limit. Samen met het ministerie van VWS zijn ze bijvoorbeeld bezig om een model te ontwikkelen dat onder andere weersomstandigheden en socio-economische factoren gebruikt om zeven dagen van te voren de drukte op de eerstehulp per regio te kunnen voorspellen. De eerste resultaten zijn veelbelovend.
Een belemmerende factor is de hulpverlener die uiteindelijk met het algoritme moet willen werken. Het veranderen van menselijk gedrag is een van de puzzels waarvoor Geerts zich gesteld ziet. “Je kunt een mooi apparaat als dit bedenken, maar collega’s moeten ermee gaan werken. Veranderingen betekenen altijd weerstand. Het duurt in de zorg gemiddeld 17 jaar voordat we met een technologische uitvinding gaan werken. Vergelijkbaar is dat het eerste model van de iPhone pas nu geadapteerd zou worden. Zie je het voor je?”
Hoogopgeleide dokters zijn wat dat betreft geen uitzondering op die regel, zegt hij ook. “Je bent medisch opgeleid dus je weet heel veel beter dan een ander. Daar zit in potentie ook je meerwaarde. En iedere dokter wil goede zorg leveren. Maar kijken we naar de variatie in behandelen, dan zeg ik ook: er is teveel variatie. De manier waarop we vocht toedienen op de OK bijvoorbeeld varieert gemiddeld met een factor 4. Bij fabrieksprocessen zou niemand daarmee akkoord gaan.”
Versnellen
Geerts wil implementatie en gebruik graag versnellen. Veel is afhankelijk van het design, denkt hij. “Denk aan de smartphone, die is heel plezierig om te gebruiken. Daarvan ging de adaptatie relatief snel. Vergelijk dat eens met een echoapparaat dat meer dan 200 kilogram weegt; dan werkt het design dus niet voor je.”
Ook belangrijk, naast design: dat de werkprocessen niet overhoop worden gehaald. Kijken we weer even naar de bloeddrukvoorspeller: die gaat mee in het werkproces, mee in de fysiologie die men in de gaten moeten houden. Geerts: “Dat helpt enorm om ermee te gaan werken. Vergelijk dat bijvoorbeeld eens met een EPD die naast je gewone workflow draait, een gesloten systeem bovendien. Dan moet je als overheid meer gaan sturen om het geaccepteerd te krijgen.”
Geerts ziet zichzelf eigenlijk als een soort koppelaar. “Ik heb een idee en dan ga ik zoeken naar een goede partij om mee samen te werken. Als je de goede mensen bij elkaar krijgt, gaat het lopen.” Maar, zegt hij ook: “Het moet niet alleen academisch zijn. Uiteindelijk moet je een product bieden om de zorg te verbeteren. Met alleen een publicatie lukt dat niet. Samenwerken met de industrie is noodzakelijk om die brug te slaan.”
