Methode voor betere voorspelmodellen
Voorspellen in hoeverre iemand risico loopt op een bepaalde aandoening, of voorspellen hoe het ziekteverloop er bij een individu uit zal zien; in de gezondheidszorg wordt steeds meer gebruik gemaakt van voorspelmodellen. Hoe meer patiëntgegevens je hebt voor zo’n model, hoe beter de voorspelling. Maar de data van individuele patiënten uit verschillende ziekenhuizen uit verschillende landen, zijn vaak niet helemaal vergelijkbaar. Valentijn de Jong ontwikkelde een methode die de verschillen in karakteristieken van patiënten, ziekenhuizen en omgevingen gebruikt om betere voorspelmodellen te ontwikkelen op basis van verschillende datasets. Op 8 november promoveerde hij hierop.
Neem de COVID-19-pandemie als voorbeeld. Het is van groot belang om te weten hoe groot de kans is, dat je hieraan overlijdt. Het liefst zou je daarvoor alle cijfers die wereldwijd beschikbaar zijn in een model stoppen. Maar er zijn allerlei factoren die maken dat die cijfers niet zomaar te vergelijken zijn. In een land waar de gezondheidszorg niet zo’n hoge kwaliteit heeft, ligt dat sterftepercentage waarschijnlijk hoger. Ook als de gemiddelde leeftijd in een populatie hoger is, overlijden er percentueel gezien meer mensen. Valentijn: “Met de nu ontwikkelde methode kun je voorspelmodellen maken die met al dit soort dingen rekening houden.”
Zorg voor individu
Ook helpen voorspelmodellen om de zorg voor een individu te verbeteren. Valentijn noemt trombose als voorbeeld. Met een model is te voorspellen hoe groot het risico op trombose is van een patiënt. De arts weet dan of het nodig is om extra tests af te nemen om trombose tijdig op te sporen. Als het model juist laat zien dat het risico op trombose bij een patiënt zeer laag is, hoeft deze geen overbodige ingrijpende tests te ondergaan.
Als zo’n voorspelmodel in een Amerikaans ziekenhuis is ontwikkeld, dan is dit waarschijnlijk minder goed te gebruiken om trombose bij Nederlandse patiënten te voorspellen. Dit komt omdat deze patiënten en ziekenhuizen sterk van elkaar kunnen verschillen. Om het model breder inzetbaar te maken moet je de data uit onderzoeken in verschillende landen combineren. Om vervolgens uit die gecombineerde datasets, de juiste conclusies te kunnen trekken zijn de geavanceerde statistische methoden nodig waarmee ik me de laatste jaren heb beziggehouden. Zo ontstaat er een voorspelmodel dat ook bruikbaar is voor Nederlandse patiënten.
Bij nieuw te ontwikkelen voorspelmodellen die op meerdere datasets worden gebaseerd, kan iedereen de nieuwe methode gebruiken. Ze zijn hier of hier gratis te downloaden. “Ik heb al van meerdere onderzoekers gehoord, dat ze er blij mee zijn, dat ze hem gebruiken”, zegt Valentijn. Hij heeft ook een manier uitgewerkt waarmee een model rekening houdt met eventuele meetfouten. Hiermee kunnen ook data van ziekenhuizen en studies gebruikt worden waar niet de beste meetmethode gebruikt was.
Veiligheid
De resultaten van Valentijns onderzoek zijn een stap verder in het veilig kunnen werken met voorspelmodellen. “De voorspelmodellen schieten als paddenstoelen uit de grond en ik denk zeker dat ze in de toekomstige zorg een steeds grotere rol gaan spelen. Die ontwikkeling gaat echter nog langzaam omdat onderzoekers en artsen merken dat ze er te vaak nog niet op kunnen vertrouwen. Pas als de voorspelmodellen echt goed werken voor verschillende groepen mensen, zullen ze steeds meer invloed hebben op de zorg voor patiënten. Mijn onderzoek draagt daar aan bij.”
Valentijn de Jong promoveerde op 8 december aan de Universiteit Utrecht. De titel van zijn proefschrift is: Methods for individual participant data meta-analysis in prediction research