Big data in de zorg

woensdag 28 maart 2018

timer 6 min

Big data en machine learning zijn termen die steeds vaker in het nieuws komen. Maar wat betekenen ze precies? En hoe gaan de fenomenen die ze beschrijven uw werk veranderen?

Betalen, reizen met het ov of de auto, communiceren; er gebeurt bijna niets meer zonder dat mensen er data bij genereren . Smartphones verzamelen continu vele gigabytes aan verschillende soorten data. Daarbovenop verzamelen apparaten steeds meer data zonder dat daar mensen bij betrokken zijn, via het zogeheten internet of things. Niet alleen de hoeveelheid maar ook de kwaliteit van data en de mogelijkheden deze te delen en te analyseren nemen ontzettend snel, en steeds sneller, toe.

Wat is big data?

Big data wordt vaak gedefinieerd aan de hand van de vier V’s: volume (de grote hoeveelheid), variety (data van verschillende bronnen), velocity (de mogelijkheden om data direct en snel te verzamelen) en veracity (de betrouwbaarheid van data). Hoe sterker deze vier V's aanwezig zijn, hoe meer er sprake is van Big Data.

Tijdens mijn deelname aan de Nationale DenkTank 2014 over Big Data zijn wij, nadat bleek dat er weinig consensus was over de definitie van Big Data, tot een meer functionele beschrijving van het begrip gekomen. Wij zagen Big Data vooral als een ontwikkeling waarbij op een nieuwe manier tot kennis en inzicht kan worden gekomen door de toenemende mogelijkheden om data te verzamelen, delen en analyseren. De klassieke wetenschap is hypothese gedreven; Een onderzoeker heeft een hypothese en gaat gericht data verzamelen om te onderzoeken of deze hypothese gefalsificeerd kan worden. Hoe vaker de verzamelde data deze hypothese niet tegenspreekt, des te groter de kans dat deze hypothese de werkelijkheid behelst. Tegenwoordig kost het echter steeds minder tijd, geld en moeite om data te verzamelen en analyseren. Vanuit deze enorme hoeveelheden data kunnen vele verschillende complexe verbanden gevonden worden, die door onderzoekers zelden of nooit in de vorm van een hypothese bedacht zouden worden.

Wat is machine learning?

Machine learning is een verzameling van analysetechnieken waarmee computers zelf verbanden in grote hoeveelheden data kunnen ontdekken. Met klassieke analyse technieken doet de computer precies wat degene die de computer programmeert van hem vraagt. Zo kan een schaakprogramma geschreven worden waarbij een programmeur precies codeert welke zet in welke configuratie van het bord gezet moet worden. Dit is echter extreem complex en het lukt meestal niet om zo tot goede resultaten te komen.

Met machine learning probeert de computer zelf de beste zet te berekenen. Aan het begin gaat dit vaak nog erg slecht. Maar een computer kan miljarden wedstrijden spelen en analyseren. Van elk spel leert de computer steeds beter in welke situatie welke zet het beste gedaan kan worden. Op deze manier werd twintig jaar geleden Gary Kasparov door IBM’s supercomputer Deep Blue verslagen en is het onlangs Google’s Deepmind gelukt om de wereldkampioen van het nog veel complexere bordspel Go te verslaan.

Toepassing in de zorg

Ook in de zorg komt er steeds meer data beschikbaar, onder andere van elektronische dossiers, het laboratorium, medische apparatuur en vanuit de radiologie. Door machine learning kunnen er ook in deze data allerlei nieuwe verbanden ontdekt worden. Dat kan op verschillende manieren bijdragen aan het verbeteren van de zorg. Dokters kunnen met behulp van machine learing en big data het ziekteverloop van een individuele patiënt bijvoorbeeld beter inschatten en de behandeling kiezen die de grootste kans geeft op de gewenste uitkomsten .

Ook kunnen met machine leanrning en big data hele nieuwe manieren van behandelen en diagnostiek worden ontwikkeld. Zo worden nieuwe medicijnen ontwikkeld door analyses van terabytes aan DNA en eiwitten en heeft eNose een apparaat ontwikkeld dat aan de hand van analyse van patronen in honderden stofjes in de adem van zowel duizenden zieke als gezonde mensen heeft leren voorspellen of patiënten een grote kans hebben op longkanker. Op het gebied van de radiologie maakt machine learning de laatste jaren ook grote stappen. Voor sommige aandoeningen en type afbeelding en zijn computers beter gebleken in het stellen van diagnoses dan artsen .

Grootste kracht is synergie

De grootste kracht van machine learning lijkt echter te zitten in een synergie tussen mens en computer. Net zoals amateurschakers met toegang tot een relatief simpele computer zowel de beste schaakcomputers als schaakgrootmeesters weten te verslaan. Met machine learning kan in seconden ontdekt worden hoe de situatie van een patiënt zich verhoudt tot die van duizenden vergelijkbare patiënten. Hierbij heeft de computer rekenkracht waar geen arts tegenop kan en daarbij wordt nooit een foutje gemaakt. Maar machine learning leidt pas echt tot persoonlijkere en preciezere patiëntenzorg als er bij de ontwikkeling van de toepassing medisch experts betrokken zijn en als deze toepassing artsen in de praktijk helpt te doen wat hen zo onvervangbaar maakt: het maken van complexe afwegingen, het inzetten van hun unieke intuïtie en het begrijpen van de persoonlijke situatie van de patiënt.

Voorbeeld:

De kans op een hartinfarct na dotteren.

Stel dat een arts beter in wil kunnen schatten welke patiënten binnen een jaar nadat ze gedotterd zijn een hartinfarct krijgen. Deze arts kan, op de klassieke wijze, de hypothese hebben dat patiënten met een hoog troponinegehalte binnen een jaar na dotteren relatief vaker een hartinfarct krijgen. Om die hypothese te bewijzen zal de arts een groep patiënten selecteren voor onderzoek. Het is echter lastig, duur en tijdrovend om grote groepen patiënten te vinden en vaak zijn er exclusiecriteria bij dergelijke onderzoeken (zoals andere aandoeningen of medicijngebruik) waardoor de onderzoekspopulatie niet representatief is. Daarnaast betreffen de resultaten vaak gemiddelde resultaten .

Met big data en machine learning zou een computer aan de hand van vele honderden kenmerken (als verloop van bloeddruk over tijd, medicatiegebruik, voorgeschiedenis, klachten, en andere persoonskenmerken), bij vele duizenden patiënten die eerder gedotterd zijn kunnen ontdekken wat voor een specifieke patiënt de kans op een hartinfarct binnen een jaar na dotteren is.

Wouter Kroese heeft geneeskunde en computational logic gestudeerd alvorens hij deelnam aan de Nationale DenkTank 2014 over Big Data. Vanuit deze denktank is hij met twee collega’s Pacmed gestart. Pacmed ontwikkelt beslissingsondersteunende software die (huis)artsen ondersteunt bij de behandelkeuze voor verschillende aandoeningen op basis van een combinatie van machine learning en medische expertise (www.pacmed.nl)