Hartfalen bij patiënten vroeger te voorspellen door machine learning

Dit maakt gericht preventief ingrijpen mogelijk

Hartfalen is een veelvoorkomende aandoening met ernstige gevolgen; meer dan 20% van de patiënten overlijdt binnen een jaar na de diagnose. Met behulp van machine learning-algoritmes, waarbij we gebruikmaken van data uit elektronische patiëntendossiers van huisartsen, kunnen we vroegtijdig voorspellen of een patiënt een verhoogd risico loopt om hartfalen te ontwikkelen. Dit maakt gericht preventief ingrijpen mogelijk, waardoor wellicht ernstige schade kan worden voorkomen of uitgesteld. Dit onderzoek is uitgevoerd door het Nivel in samenwerking met de Vrije Universiteit en gepubliceerd in het wetenschappelijke tijdschrift BMJ Open.

Elektronische patiëntendossiers bevatten gegevens over zorg en gezondheid die zorgverleners over hun patiënt vastleggen. Deze dossiers bevatten veel verschillende soorten informatie over de patiënt en zijn behandeling. Door hier verschillende onderlinge verbanden in aan te brengen ontstaat nieuwe informatie over de patiënt, die voorspellende waarde heeft. Machine learning is een methodiek die ons in staat stelt deze complexe verbanden bloot te leggen uit grote hoeveelheden data. Dit maakt machine learning zo geschikt voor vroegopsporing van – onder andere – hartfalen.

Directe tijdwinst
In het onderzoek hebben we zorgdata gebruikt van patiënten bij wie de diagnose hartfalen door de huisarts werd gesteld. Met de inzet van een speciaal hiervoor ontwikkeld machine learning-model konden we deze patiënten een jaar eerder herkennen als ‘patiënten met verhoogd risico op hartfalen’ dan het moment waarop de huisarts die diagnose stelde. Dit is een aanzienlijke tijdwinst en zorgt ervoor dat een vervolgstap in het zorgtraject, het vroegtijdig screenen van de patiënt, kan worden ingezet.

Voordelen gebruik huisartsendata: veel en voorhandig
We hebben data gebruikt uit Nivel Zorgregistraties Eerste Lijn, waarin de zorgdata worden verzameld die zo’n 370 huisartsenpraktijken routinematig vastleggen in hun patiëntendossiers. Dit heeft twee voordelen: ten eerste beschikken we hiermee over een grote hoeveelheid data, een voorwaarde voor betekenisvol gebruik van het door ons ontwikkelde machine learning-model. Ten tweede konden we door gebruik van reeds verzamelde data extra belasting voor patiënt en huisarts voorkomen; het was immers niet nodig om een patiënt en huisarts actief te benaderen voordat we een voorspelling konden doen over verhoogd risico op hartfalen. Dit is ook voor de toekomst van belang bij screening: we kunnen een selectie van patiënten met een verhoogd risico maken zonder deze patiënten eerst op te roepen. Hiervoor is echter nog wel verdere validatie van het model nodig.

Over het onderzoek
In de studie onderzochten we de mogelijkheid om hartfalen één jaar voor de diagnose te voorspellen aan de hand van de gegevens in de elektronische patiëntendossiers van patiënten boven de 70 jaar, verzameld in de periode 2012-2019. Deze data betreffen de consultinformatie, medicatie, demografische gegevens en labwaardes. Voor de analyse gebruikten we drie verschillende machine learning-algoritmes: logistische regressie, random forest en XGBoost. Bij de gegevens uit het elektronische patiëntendossier werd als extra informatie de volgorde van informatie meegenomen. De incidentie van patiënten met hartfalen in ons onderzoek was gelijk aan de incidentie in de praktijk. Hierdoor is het waarschijnlijker dat onze resultaten vertaalbaar zijn naar de praktijk. Het Nivel voerde het onderzoek uit in samenwerking met de Vrije Universiteit van Amsterdam.

Tags bij dit artikel:

• huisarts
• hartfalen
• NIVEL
• informatie
• Vrije Universiteit Amsterdam
• data
• diagnose
• elektronisch patiëntendossier
• zorgtrajecten