UMC Utrecht Wilhelmina Kinderziekenhuis — Data science ter ondersteuning van besluitvorming op de intensive care

Het werk bestond uit drie samenhangende trajecten. Elk traject had een eigen focus, maar samen vormden zij een bredere verkenning van wat verantwoord gebruik van data science in de zorg betekent.

1. Ontwikkeling van een data mining methode voor de zorg

Op basis van praktijkervaring uit meerdere projecten en gesprekken met medisch specialisten en data scientists binnen de zorg werd een eigen data science methode ontwikkeld, specifiek gericht op de zorgomgeving.

Bestaande standaarden zoals CRISP-DM werden als uitgangspunt genomen, maar bleken onvoldoende rekening te houden met klinische realiteit en regelgeving. Aspecten als datakwaliteit, reproduceerbaarheid, interpretatie, validatie en governance vroegen om expliciete stappen en aandachtspunten.

De ontwikkelde methode beschreef het volledige traject van begin tot eind. Van het scherp formuleren van een klinische vraag, via dataverzameling, modellering en validatie, tot het verantwoord overwegen van inzet in de praktijk. Daarbij werd nadrukkelijk aandacht besteed aan:

• klinische relevantie en context

• expliciete toetsing van aannames

• samenwerking met zorgprofessionals gedurende het hele traject

• uitlegbaarheid en transparantie van modellen

• zorgvuldigheid rondom implementatie en gebruik

De methode bood houvast in een omgeving waar leren noodzakelijk is, maar fouten niet geaccepteerd kunnen worden.

2. Analyse van beademingsmachines rond een software-update

In een tweede traject werd onderzocht of een software-update van beademingsmachines effect had op de kwaliteit van beademing. Door metingen van vóór en na de update systematisch te analyseren met behulp van mixed-effect modellen, werd een lichte maar consistente afwijking zichtbaar.

Hoewel het verschil klein was, was het wel structureel. Dit inzicht werd direct gedeeld met leveranciers, zodat zij het effect konden onderzoeken en meenemen in verdere optimalisatie. Het traject liet zien hoe data kan bijdragen aan snelle en onderbouwde bijsturing, zonder aannames of onderbuikgevoel.

3. Voorspellende modellen voor ademhalingsverslechtering

Het derde traject richtte zich op het voorspellen van onverwachte ademhalingsverslechteringen bij IC-patiënten op mechanische beademing. Hiervoor werden onder andere recurrente neurale netwerken toegepast op complexe time series patiëntdata.

Op kleinere datasets presteerden de modellen goed. Bij opschaling naar grotere en gevarieerdere datasets nam de nauwkeurigheid echter duidelijk af. De conclusie was dat deze vorm van voorspelling in de praktijk minder robuust bleek dan gehoopt.

Deze uitkomst was geen mislukking, maar een belangrijk inzicht. Niet elk klinisch proces laat zich betrouwbaar voorspellen, zeker niet zonder verlies aan interpretatie en vertrouwen.