Onderzoekers van Amsterdam UMC ontwikkelen samen met internationale partners een model dat de behandeling van hartfalen voor elke patiënt personaliseert. Dat doen zij met behulp van kunstmatige intelligentie (AI). Het model bevat onder andere gegevens over symptomen, leefstijl, bloedwaarden en hartfilmpjes. Het wordt in samenwerking met patiënten en artsen ontwikkeld. Speciale aandacht gaat uit naar verantwoord gebruik van de gegevens.
Miljoenen mensen lijden aan hartfalen
Hartfalen is de belangrijkste oorzaak van ziekenhuisopname bij 65-plussers. De verwachting is dat het aantal patiënten tegen 2030 wereldwijd met bijna 50% is toegenomen. Op dit moment lijden er 64 miljoen mensen aan hartfalen. Amsterdam UMC start met een Europese Horizon-subsidie van bijna 6 miljoen euro een consortium om deze mensen beter te kunnen behandelen. Consortiumleider en hoogleraar Precisiegeneeskunde aan Amsterdam UMC, Folkert Asselbergs: “We ontwikkelen een rekenmodel dat het verloop van het hartfalen voor elke individuele patiënt kan voorspellen. Dit, op basis van beschikbare gegevens. Dat maakt tijdige en sterk gepersonaliseerde zorg mogelijk. Hiermee hopen we de uitkomst voor patienten te verbeteren. En dat is echt nodig. Veel mensen weten namelijk niet dat het risico op overlijden bij hartfalen vergelijkbaar is met de meeste vormen van kanker.”
In de spreekkamer
Om dit AI-model te bouwen, combineert men gegevens zoals hartfilmpjes en -echo’s, bloedwaarden, ECG-gegevens en informatie uit patiëntendossiers. Deze enorme hoeveelheid data is afkomstig van ongeveer 900.000 patiënten uit Europa, Zuid-Amerika en Afrika. “Onze grote patiëntgegevensset biedt een geweldige kans om echt alle factoren te begrijpen die de voortgang van hartfalen bepalen. Daardoor kunnen we het risico van een individuele patiënt beter inschatten”, zegt Asselbergs.
Eenvoudig te gebruiken tool
“Door patiënten en zorgverleners vanaf het begin te betrekken, bijvoorbeeld via workshops en interviews, zorgen we er bovendien voor dat we alle relevante factoren meenemen bij het ontwikkelen van het AI-model. Denk daarbij aan zaken als transparantie en betrouwbaarheid. Maar ook dat we patiëntgerichte uitkomsten meenemen. Daarbij gaan we veel verder dan de eisen die nu vanuit de regelgeving gelden.” Het AI-model zal het ook worden vertaald in een eenvoudig te gebruiken tool voor artsen in de spreekkamer. Gegevens die beschikbaar zijn in het patientendossier geven direct een risicovoorspelling om te gebruiken in de gesprekken met de patiënt en naasten. Dat voorkomt extra administratielast.
Vertrouwen
Een belangrijk aspect van het project is ervoor te zorgen dat men AI-modellen op een verantwoorde manier invoert. En dat men de tool echt op de werkvloer gebruikt. Voor Asselbergs is dit cruciaal: “Om ons model bruikbaar te maken, vereist het continue betrokkenheid van patiënten, artsen en data-experts. Dit kan alleen als er vertrouwen is in de manier waarop we de gegevens gebruiken.”
Om dit vertrouwen te bevorderen monitort het consortium ook hoe het model presteert nadat het in een echte omgeving is geïntroduceerd. De vijf ziekenhuizen die betrokken zijn bij deze studie, bevinden zich in Nederland, Spanje, Tsjechië, Peru en Tanzania. De diversiteit van de locaties maakt het mogelijk om het model grondig te testen met een brede database van patiëntgegevens.
Federatief leren
Bovendien zal het consortium gebruik maken van zogeheten ‘federatief leren’. Daarbij worden de patiëntgegevens binnen het ziekenhuis verwerkt voor het AI-model. Men maakt dus geen kopiëen die ergens anders worden geanalyseerd. De studie kijkt ook naar de sociale en etnische problemen die kunnen voortvloeien uit de invoering van kunstmatige inteliigentie om het risico voor patiënten te beoordelen. Werkt het model hetzelfde in de verschillende sociale en ethnische groepen? Zijn de resultaten begrijpelijk en relevant voor iedereen? “We willen met dit project laten zien hoe krachtig AI kan zijn als hulpmiddel bij patiëntenzorg. Tegelijkertijd willen we het ook doen op een manier die verantwoord is”, concludeert Asselbergs.
