Met machine learning op weg naar gepersonaliseerde geneeskunde

Zijn we in de nabije toekomst in staat om voor patiënten met een gebroken heup het beste en meest veilige zorgpad te kiezen? En bereiken we daarmee de hoogste vorm van evidence-based medicine: gepersonaliseerde geneeskunde?

Nieuw voorspellingsmodel voor patiënten met een gebroken heup
Binnen de gezondheidszorg worden al verschillende voorspellingsmodellen ontwikkeld met behulp van kunstmatige intelligentie methodes (Artificial Intelligence, AI). Orthopedie is hier geen uitzondering op, maar nu is er voor het eerst een AI data-gedreven voorspellingsmodel ontwikkeld en internationaal gevalideerd specifiek voor de oudere patiënt met een gebroken heup.
Het onderzoek is in samenwerking met de aan de Harvard Medical School geaffilieerde onderzoeksgroep SORG (SORG Orthopaedic Research Group) onder leiding van A/Prof Joseph Schwab.  Deze geboekte resultaten zijn van belang voor een groot aantal partijen, zowel in Nederland als internationaal. De intensieve en internationale samenwerking vanuit dit project draagt belangrijke publicaties bij aan studies op dit gebied. De samenwerking zal worden voortgezet, zodat de technologische kennis kan worden overgedragen.

Hoe werkt het voorspellingsmodel?
Het model dat onwikkeld werd door onderzoekers van het Amsterdam UMC, UMCG, LUMC, Massachusetts General Hospital en Flinders Medical Centre onder leiding van arts-onderzoeker Jacobien Oosterhoff, is veelbelovend en accuraat in het preoperatief inschatten van mortaliteit (overlijden) en het ontwikkelen van een postoperatief delier bij de oudere, veelal kwetsbare patiënt. Op basis van persoons- en aandoening specifieke factoren ondersteunt het model bij een persoonsgericht behandeladvies, wat enorm kan bijdragen aan het gedeelde besluitvorming proces. Gedeelde besluitvorming betekent dat de patiënt en naasten goed geïnformeerd worden en samen tot een goed besluit kunnen komen.

Waarom is het belangrijk om uitkomsten te voorspellen bij de kwetsbare patiënt met een gebroken heup?
Een gebroken heup is een van de meest voorkomende breuken (verwacht wordt dat er in 2050 meer dan 6 miljoen gevallen per jaar zijn wereldwijd). In Nederland wordt 1 op de 5 ongevalspatiënten opgenomen vanwege een gebroken heup, met een gemiddelde leeftijd van 79 jaar. Een gebroken heup is een ingrijpende gebeurtenis met grote gevolgen voor deze veelal kwetsbare ouderen.

Allereerst loopt 30% van deze kwetsbare groep in de eerste 30 dagen na de operatie kans op een delier. Het postoperatieve delier is de meest voorkomende complicatie, met een incidentie variërend van 9.5- 62%. Een postoperatief delier leidt tot een verlaagde cognitieve functie, verlies van zelfredzaamheid, verlengde opnameduur, verlaagde kwaliteit van leven en tot wel 2,5 maal grotere ziekenhuiskosten dan patiënten zonder delier. Ten tweede is de kans op overlijden na een gebroken heup hoog: tot wel 35% van de patiënten boven de 65 jaar overlijdt binnen 1 jaar.

De grote kans op dit soort complicaties maakt het inschatten van behandeluitkomsten een complex zorgproces waarbij verschillende specialismen bij betrokken zijn (multi-disciplinair; denk aan de huisarts, geriatrisch arts, revalidatiearts, etc). Opgeteld een complex zorgpad.

Hoe kwam Oosterhoff tot dit model?
Het onderzoek rond de ontwikkeling van de voorspellingsmodellen (mortaliteit en delier) maakt deel uit van het promotietraject van Oosterhoff. Hierin kijkt ze naar de mogelijkheden en pitfalls van klinische toepassingen van AI in de Orthopedie. In 2022 zal Oosterhoff promoveren op het onderwerp: ‘Artificial Intelligence in Orthopaedics & Trauma: The Hype & The Hips’.

Wat is er nodig in de toekomst?
Verdere evaluatie en validatie is nodig om de ontwikkelde modellen te generaliseren. Indien het model extern valide is, en daarmee gegeneraliseerd kan worden, kan het model geïntegreerd worden om de gedeelde besluitvorming te ondersteunen. Het prospectief volgen van de geïmplementeerde modellen zal ervoor zorgen dat het model slimmer en nauwkeurig wordt, doordat deze in staat is zich zelf te trainen.
In de toekomst is het van cruciaal belang om ontwikkelde modellen te integreren in het elektronisch patiënten dossier (EPD). Vooruitlopend daarop is er kennis opgedaan om stappen te maken richting de integratie van de slimme voorspellingsmodellen in de orthopedie. Zo is binnen dit project een voorstel uitgewerkt voor een mogelijke oplossing: SMART on FHIR (Subsitutable Medical Application and Reusable Technologies on Fast Healthcare Interoperability Resource) in combinatie met gebruik van CDS (Clinical Decision Support) Hooks om de integratie van AI-gedreven modellen in het EPD mogelijk te maken.