In het Moffitt Cancer Center kwamen artsen en onderzoekers voor een uitdaging te staan. Patiënten met niet-kleincellige longkanker die een systemische therapie kregen, belandden soms plotseling op de spoedeisende hulp. Het waren vaak complicaties die artsen wel kenden, maar zelden zo vroeg zagen aankomen. De vraag rees: kunnen we voorspellen wie die spoedzorg nodig zal hebben, nog vóór de alarmsignalen te duidelijk worden?
Meer dan alleen medische dossiers
Traditioneel baseren artsen zich op demografische gegevens, medische geschiedenis en klinische observaties. Maar dat leverde vaak een te eenzijdig beeld op. Daarom besloten de onderzoekers iets nieuws te proberen: het combineren van verschillende databronnen. Niet alleen de standaard medische dossiers, maar ook wat patiënten zélf melden over hun welzijn, en zelfs gegevens die onopvallend worden verzameld door een Fitbit aan hun pols.
|
Machine learning model helps predict urgent care visits for lung cancer patientsA study published in JCO Clinical Cancer Informatics demonstrates that machine learning models incorporating patient-reported outcomes and wearable sensor data can predict which patients with non–small cell lung cancer are most at risk of needing urgent care during treatment. The study was led by researchers and clinicians at Moffitt Cancer Center. |
Vragenlijsten en Fitbits
Deelnemers vulden regelmatig vragenlijsten in over hun kwaliteit van leven en symptomen. Ondertussen registreerde de wearable hun hartslag, slaappatronen en dagelijkse activiteit. Al die kleine stukjes informatie werden samengebracht in een model dat kon leren patronen te herkennen die mensen niet zomaar zouden zien.
De kracht van Bayesiaanse netwerken
Het team koos voor Bayesiaanse netwerken, een vorm van machine learning die niet alleen uitkomsten voorspelt, maar ook inzicht geeft in waarom het model tot een bepaalde conclusie komt. En dat bleek waardevol: de modellen die patiëntgegevens en wearable-informatie meenamen, waren veel beter in staat om onderscheid te maken tussen mensen met een hoog of laag risico op spoedzorg, dan modellen die enkel op klinische data vertrouwden.
Kleine studie, groot potentieel
Het onderzoek was kleinschalig: slechts 58 patiënten namen deel en alles gebeurde binnen één centrum. Toch zijn de resultaten hoopgevend. De onderzoekers benadrukken dat vervolgonderzoek nodig is, met grotere groepen en meerdere ziekenhuizen. Ook dromen ze ervan om in de toekomst moleculaire data toe te voegen, om de voorspellende kracht nog verder te versterken.
Wat dit kan betekenen voor patiënten
De belofte is groot. Door dit soort voorspellingsmodellen kunnen artsen sneller ingrijpen, nog voordat de situatie zo ernstig wordt dat spoedzorg noodzakelijk is. Dat kan leiden tot minder ziekenhuisopnames, een betere kwaliteit van leven en meer rust bij patiënten die weten dat hun risico’s actief worden gemonitord.
De weg vooruit
Voorlopig blijft dit onderzoek een eerste stap, maar het laat zien wat er mogelijk is als technologie, data en patiëntparticipatie samenkomen. In plaats van wachten tot een crisis zich aandient, biedt dit model de kans om proactief zorg te leveren. Een stap vooruit, zowel voor de patiënt als voor de zorgverlener.
Medical Xpress - medical research advances and health newsMedical Xpress provides the latest news from H. Lee Moffitt Cancer Center & Research Institute |
