Nivel-harslag-meten
Nieuws
28-10-2021

Vroegopsporing van hart-en-vaatziekte laat zien: hoe rijker de zorgdata van de huisarts, hoe groter de voorspellende kracht van machine learning

Hoe eerder patiënten met een hoog risico op hart- en vaatziekten (HVZ) herkend worden, hoe beter. Door vroegopsporing kan er tijdig begonnen worden met leefstijladviezen en/of medicamenteuze behandeling, waardoor het ontstaan van HVZ uitgesteld of voorkómen kan worden. Het identificeren van patiënten met een (potentieel) hoog risico is echter een complex proces. De inzet van de techniek ‘machine learning’ op de geregistreerde zorgdata van huisartsenpraktijken is zeker hoopgevend, maar nu nog niet efficiënt genoeg voor gebruik in de dagelijkse praktijk. Hoe meer en hoe diverser de zorgdata zijn die huisartsen registreren, hoe groter de voorspellende kracht van machine learning. Dit blijkt uit onderzoek van het Nivel op basis van gegevens uit huisartsendossiers (HIS’en).

Met de inzet van machine learning kan een deel van de patiënten eerder worden herkend, maar met de huidige stand van de techniek worden er nog veel hoogrisico-patiënten gemist of ten onrecht aangewezen als een hoogrisicopatiënt.

Voorspellende kracht van data-onderzoek door inzet inzet machine learning

Gebruik van machinelearning-technieken is in opkomst bij het doen van data-onderzoek over hart- en vaatziekten. Niet alleen zijn de technieken geschikt voor het omgaan met grote hoeveelheden verzamelde data, ook kunnen ze dienen om op basis van deze data betere voorspellingen te doen over het optreden van hart- en vaatziekten. Anders dan bij traditionele technieken worden bij machinelearning-technieken namelijk complexe niet-lineaire verbanden tussen data gelegd, waardoor deze winnen aan voorspellende kracht.

Gebruik van meer (soorten) data maakt voorspellingen zuiverder

Tijdens het onderzoek bleek dat het toevoegen van meetwaarden van patiënten (rookstatus, BMI, bloeddruk) in het ontwikkelde voorspellingsmodel resulteerde in een veel betere voorspelling. Hieruit valt af te leiden dat het model zou winnen aan voorspellende kracht als we deze meetwaarden van alle patiënten beschikbaar zouden bieden. Mogelijk kan de Persoonlijk Gezondheids Omgeving (PGO) in de toekomst uitkomst bieden, namelijk zodra patiënten zelf via hun PGO meer data met hun huisarts delen. Daarnaast hebben we ons beperkt tot de informatie van een patiënt in één jaar, er zijn veel meer data beschikbaar per patiënt.

Voorspelling kan mogelijk verbeteren met gebruik van complexere technieken

Machine learning is nog sterk in ontwikkeling. De modellen die we nu gebruikt hebben zijn nog relatief simpele modellen. Meer geavanceerde modellen onder de noemer van deep learning zijn bijvoorbeeld in staat nog complexere afhankelijkheden te vinden en gebruik te maken van de volgorde (sequentiële data) waarin metingen plaatsvinden. Ook zullen toekomstige modellen meer rekenkracht hebben en meer data aankunnen. Al deze technische ontwikkelingen zijn in volle gang.

Over het onderzoek

In de studie onderzochten we de potentie van machine learning om hoogrisico-patiënten voor (risicofactoren voor) HVZ op te sporen. We maakten daarbij gebruik van routinematig verzamelde gegevens uit huisartsenpraktijken die deelnemen aan Nivel Zorgregistraties Eerste Lijn, waarbij informatie over zorgconsulten en medicatie uit het Huisarts Informatie Systeem (HIS) werd gebruikt. Waar mogelijk verrijkten we de data met meetwaarden (BMI, roken en bloeddruk). We maakten gebruik van twee veelgebruikte machinelearning-algoritmen: LASSO-regressie en random forest. In dit onderzoek werden gegevens gebruikt van ongeveer 500 huisartsenpraktijken over de periode 2009-2017. Het onderzoek is gefinancierd door de Hartstichting.

Altijd op de hoogte blijven van Nivel nieuws? Abonneer u op onze attendering

E-mailadres

U kunt zich op elk moment afmelden door te klikken op de link in de voettekst van onze e-mails. Kijk hier voor meer informatie over ons privacybeleid.

We gebruiken MailChimp als ons marketingplatform. Door op de knop 'Aanmelden' te klikken om u te abonneren, erkent u dat uw informatie zal worden overgebracht naar MailChimp voor verwerking. Lees hier meer over de privacyregels van MailChimp.