Artsen en datawetenschappers verbinden met pizza

Op 19 september namen medici, datawetenschappers, ondernemers, onderzoekers en andere geïnteresseerden deel aan de tweede bijeenkomst van de Amsterdam Medical Data Science Group om te bespreken hoe medische gegevens gebruikt kunnen worden om de patiëntenzorg en de medische praktijk te verbeteren.

De bijeenkomst vond plaats op de Intensive Care afdeling van het Amsterdam UMC (locatie VUmc). Deelnemers gingen op verkenning hoe technologieën als AI en Machine learning de toekomst van de gezondheidszorg kunnen beïnvloeden. Daarnaast werd er van gedachten gewisseld over projecten, ideeën, artikelen en de nieuwste ontwikkelingen op het vakgebied.

De toekomst van de gezondheidszorg vormgeven

De maandelijkse meet-ups zijn in het leven geroepen om artsen en andere medische professionals in contact te brengen met datawetenschappers.  Presentaties worden gegeven door diverse experts uit de medische datawetenschap. De informele samenkomsten van deze groepen zijn bijzonder waardevol om enkele belangrijke uitdagingen te overwinnen en ervoor te zorgen dat datawetenschap geïntegreerd kan worden in de medische zorg en de behandeling van patiënten. “Medici en datawetenschappers met belangstelling voor projecten rond medische data kennen elkaar vaak niet goed. Dat willen we graag veranderen”, aldus dr. Paul Elbers, intensivist bij het UMC en een van de organisatoren van het evenement. “Door de bijeenkomst in het ziekenhuis te organiseren, kunnen artsen bovendien gemakkelijker deelnemen.”

De vier D’s van de datawetenschap

Dr. Elbers introduceerde de vier D’s van de datawetenschap: Data, Datawetenschappers, Developers (applicatieontwikkelaars) en Dokters.  Hidde Hovenkamp van start-up Pacmed en het UMC onderzoeken Machine learning een arts kan helpen zo efficiënt mogelijk te werken, door applicaties als richtlijn te gebruiken voor de optimale behandeling van patiënten.  Dr. Patrick Thoral van het UMC presenteerde een model voor Machine learning dat ze samen met PacMed ontwikkelen om artsen te ondersteunen bij beslissingen over het ontslaan van patiënten op de Intensive Care afdeling. Op basis van de enorme hoeveelheid data die tijdens de zorg voor de patiënt en bij eerdere opnamen is gegenereerd, geeft dit model op het moment van (mogelijk) ontslag van de patiënt aan hoe groot de kans is dat de patiënt later weer opgenomen moet worden.

De hoop is dat dit model de kans verkleint dat de patiënt opnieuw opgenomen moet worden of tijdens de herstelperiode te maken krijgt met complicaties. Als dit lukt, zou het bovendien leiden tot kostenbesparingen en een lagere werkdruk in het ziekenhuis. “Soms is het moeilijk te voorspellen of een patiënt voldoende is hersteld om naar de verpleegafdeling te worden overgebracht, ” lichtte dr. Thoral toe. “We wilden een model ontwikkelen voor het voorspellen van de kans op heropname na ontslag van de Intensive Care afdeling, uitsluitend op basis van data die standaard beschikbaar zijn, zodat er geen extra werkdruk voor verpleegkundigen of artsen ontstaat.” De komende maanden gaat een implementatiestudie op basis van het model van start en er zal een artikel over het project gepubliceerd worden.

De diepte in met reinforcement learning

In het tweede deel van de sessie, gepresenteerd door PhD-student Amin Tabatabaei van de VU, werd aandacht besteed aan een specifieke vorm van Machine learning: reinforcement learning. Tabatabaei legde uit hoe het basisprincipe van reinforcement learning, waarbij in een bepaalde omgeving acties worden ondernomen om een cumulatieve beloning te maximaliseren, in een medische setting toegepast kan worden om de beste behandelwijze voor patiënten te bepalen. Hij beschreef hoe dit proces door middel van verschillende technieken verfijnd kan worden om de modellen efficiënter te maken. Tabatabaei introduceerde ook de twee andere vormen van Machine learning ( gecontroleerd en ongecontroleerd), om zowel de voordelen als de uitdagingen van beiden toe te kunnen lichten. Als voorbeeld gebruikte hij een medische applicatie die met behulp van een model voor machinaal leren bepaalt wanneer het beste moment is om gebruikers een herinnering te sturen dat ze hun oefeningen moeten doen. In dit voorbeeld liet hij zien dat de data in een ‘pool’ kunnen worden verzameld om sneller betere resultaten te boeken, of dat ze gepersonaliseerd kunnen worden. De laatste methode duurt langer om te ontwikkelen, maar levert uiteindelijk betere resultaten op.

Artsen, datawetenschappers en pizza’s

Na afloop van het evenement werd er onder het genot van pizza’s en frisdrank, beschikbaar gesteld door de Amsterdam Economic Board, nagepraat. “Dit was pas de tweede bijeenkomst, maar er was een goed evenwicht tussen artsen en datawetenschappers”, aldus dr. Elbers. “Het is geweldig dat de beschikbare data nu ook gebruikt kunnen worden. Het Pacmed-model voor Machine learning laat dit duidelijk zien. Het is cruciaal dat we geen fouten maken. Maar we zien dat mensen eraan beginnen te wennen dat ze worden bijgestaan door beslissingsondersteunende systemen, en dat artsen er steeds meer voor open staan deze systemen in hun werk toe te passen”.

De bijeenkomsten van de Amsterdam Medical Data Science Group worden elke derde dinsdag van de maand gehouden in de Delta Room van de afdeling Intensive Care van het Amsterdam UMC (locatie VUmc). De eerstvolgende bijeenkomst is op 16 oktober.

Ga voor meer informatie naar: https://www.meetup.com/amsterdam-medical-data-science.

De bijeenkomsten van de Amsterdam Medical Data Science Group worden gesteund door Right Data Right Now, een consortium van Amsterdam UMC, OLVG, Vrije Universiteit, Pacmed en de Amsterdam Economic Board.

21 september 2018

Meer weten over

Neem contact op

Deel dit artikel

#slimgroengezond

Wil je meer van dit soort artikelen?
Volg ons dagelijks op LinkedIn, X en schrijf je in voor onze Board Update.

Lees ook deze berichten