ºÝºÝߣ

ºÝºÝߣShare a Scribd company logo

Machine learning voor persoonlijkere en preciezere zorg

•
•
KNMG Limburg
KNMG Limburg

Presentatie gegeven door Wouter Kroese, directeur en oprichter van Pacmed, op het KNMG Limburg Symposium 'Toekomst van de Zorg' op 17 mei 2018.

1 of 16
Machine Leaning voor een persoonlijkere en preciezere zorg april 2018 Wouter Kroese
Pacmed is ontstaan in de Nationale DenkTank 2014 Hoe kunnen we Nederland gezonder maken met Big Data?
Medische kennis is gebaseerd op gemiddelde resultaten bij een kleine, slecht representatieve groep patiënten Onderzoek op een fractie van patiënten Toegepast op een gevarieerde populatie 17 jaar
Pacmed bouwt beslissingsondersteunende software die op maat gemaakt advies biedt voor individuele patiënten Relevante uitkomsten en richtlijn adviezen voor de patiënt tijdens het consult Machine learning gebruiken om te leren welke patiënten werkelijk vergelijkbaar zijn Direct
Observationele data bieden kansen voor aanvullende en op maat gemaakte kennis Patiënt populatie in onderzoeken waar de NHG-richtlijn op is gebaseerd Gezonde vrouwen: Zwangere vrouwen: Pat. met diabetes: Pat. met afw. nier/urinewegen: Pat. met tekenen van weefselinvasie: Mannen: 5.240 72 0 0 0 0 Jaar Patiënt populatie bij de ontwikkeling van beslissingsondersteuning (NIVEL) Gezonde vrouwen: Zwangere vrouwen: Pat. met diabetes: Pat. met afw. nier/urinewegen: Pat. met tekenen van weefselinvasie: Mannen: 128.456 1.610 25.883 2.844 20.598 23.027 Aantalpatiënten
De richtlijn maakt geen onderscheid in leeftijd, terwijl de effectiviteit daar sterk afhankelijk van lijkt
Onze urineweginfectie software is geïmplementeerd bij 116 huisartsen
Deze software wordt wetenschappelijk onderzocht op gebruik, gedragsverandering en gebruiksvriendelijkheid Primaire onderzoeksvragen Hoe vaak is de software gebruikt?1 Welke gedragsverandering bewerkstelligt het gebruik van de software?2 Wat is de verandering van de behandeluitkomsten tijdens het gebruik van de software?3 Hoe ervaren artsen het gebruik van de software?4 Academische partners:
De software is structureel gebruikt, en juist bij de complexe patiënten lijkt de toegevoegde waarde het grootst
De geschiktheid voor ondersteuning bij behandelkeuze hangt af van de waarde en haalbaarheid Waarde Haalbaarheid Schaal Impact op patient Variatie in verleende zorg en behaalde uitkomsten Hoge en variërende (medicatie) kosten Beperkte evidence-base Beschikbaarheid data Relevante predictoren beschikbaar in data Relevante uitkomstmaat af te leiden uit data Duidelijke business case Recente verandering in beleid
Pacmed richt zich nu op de volgende gebieden in de ziekenhuiszorg Oncologie (Darm-, Prostaat-, Borst- en Longkanker) Intensive Care Adequaat voorschrijven biologicals (Reuma, IBD) Cardiologie • Hoge impact • Veel uitkomstdata • Duidelijke beslismomenten • Hoge kosten • Veel data • Hoge impact • Hoge kosten • Korte feedbackloop • Veel ruimte voor verbetering • Hoge kosten • Duidelijke business case • Grote schaal • Hoge impact • Veel data • Hoge kosten Gebied Onderbouwing
Pacmed combineert medische expertise met ervaring met machine learning in de praktijk en wetenschap
Er ontstaan steeds meer verschillende databronnen, met data van steeds toenemende kwaliteit
wouter@pacmed.nl Patiënten krijgen alleen nog maar zorg die in de praktijk heeft bewezen te werken voor vergelijkbare patiënten
In Primary Care we use models that can be fully interpreted by the professional 100.000 Nitrofurantoin (NTF) prescriptions 70% succesvol 25.000 NTF prescriptions 70% successful Train data Test data Machine learning 25.000 NTF prescriptions (pt. > 65 yr.) 40% successful 15.000 NTF pres. (no Diabetes) 50% successful 10.000 NTF pres. (Diabetes) 25% successful 30.000 NTF pres. (no treatment UTI) 91,67% successful 20.000 NTF pres. (>0 treatments UTI) 75% successful 50.000 Nitrofurantoin prescriptions (pts. < 65 yr.) 85% successful 75.000 NTF prescriptions 70% successful Test model Train model Data
Verschillende organisatiekenmerken stimuleren datagedreven besluitvorming Verzameling van uitkomstdata Multi-center data verzameling en benchmarking Value based health care (of andere (financiële) beloning voor verbeterde uitkomsten) Hoog specialistische kennis ter ondersteuning van ontwikkeling beslissingsondersteuning Betrekken patient bij besluitvorming en uitkomstverzameling

More Related Content

Machine learning voor persoonlijkere en preciezere zorg

  • 1. Machine Leaning voor een persoonlijkere en preciezere zorg april 2018 Wouter Kroese
  • 2. Pacmed is ontstaan in de Nationale DenkTank 2014 Hoe kunnen we Nederland gezonder maken met Big Data?
  • 3. Medische kennis is gebaseerd op gemiddelde resultaten bij een kleine, slecht representatieve groep patiënten Onderzoek op een fractie van patiënten Toegepast op een gevarieerde populatie 17 jaar
  • 4. Pacmed bouwt beslissingsondersteunende software die op maat gemaakt advies biedt voor individuele patiënten Relevante uitkomsten en richtlijn adviezen voor de patiënt tijdens het consult Machine learning gebruiken om te leren welke patiënten werkelijk vergelijkbaar zijn Direct
  • 5. Observationele data bieden kansen voor aanvullende en op maat gemaakte kennis Patiënt populatie in onderzoeken waar de NHG-richtlijn op is gebaseerd Gezonde vrouwen: Zwangere vrouwen: Pat. met diabetes: Pat. met afw. nier/urinewegen: Pat. met tekenen van weefselinvasie: Mannen: 5.240 72 0 0 0 0 Jaar Patiënt populatie bij de ontwikkeling van beslissingsondersteuning (NIVEL) Gezonde vrouwen: Zwangere vrouwen: Pat. met diabetes: Pat. met afw. nier/urinewegen: Pat. met tekenen van weefselinvasie: Mannen: 128.456 1.610 25.883 2.844 20.598 23.027 Aantalpatiënten
  • 6. De richtlijn maakt geen onderscheid in leeftijd, terwijl de effectiviteit daar sterk afhankelijk van lijkt
  • 7. Onze urineweginfectie software is geïmplementeerd bij 116 huisartsen
  • 8. Deze software wordt wetenschappelijk onderzocht op gebruik, gedragsverandering en gebruiksvriendelijkheid Primaire onderzoeksvragen Hoe vaak is de software gebruikt?1 Welke gedragsverandering bewerkstelligt het gebruik van de software?2 Wat is de verandering van de behandeluitkomsten tijdens het gebruik van de software?3 Hoe ervaren artsen het gebruik van de software?4 Academische partners:
  • 9. De software is structureel gebruikt, en juist bij de complexe patiënten lijkt de toegevoegde waarde het grootst
  • 10. De geschiktheid voor ondersteuning bij behandelkeuze hangt af van de waarde en haalbaarheid Waarde Haalbaarheid Schaal Impact op patient Variatie in verleende zorg en behaalde uitkomsten Hoge en variërende (medicatie) kosten Beperkte evidence-base Beschikbaarheid data Relevante predictoren beschikbaar in data Relevante uitkomstmaat af te leiden uit data Duidelijke business case Recente verandering in beleid
  • 11. Pacmed richt zich nu op de volgende gebieden in de ziekenhuiszorg Oncologie (Darm-, Prostaat-, Borst- en Longkanker) Intensive Care Adequaat voorschrijven biologicals (Reuma, IBD) Cardiologie • Hoge impact • Veel uitkomstdata • Duidelijke beslismomenten • Hoge kosten • Veel data • Hoge impact • Hoge kosten • Korte feedbackloop • Veel ruimte voor verbetering • Hoge kosten • Duidelijke business case • Grote schaal • Hoge impact • Veel data • Hoge kosten Gebied Onderbouwing
  • 12. Pacmed combineert medische expertise met ervaring met machine learning in de praktijk en wetenschap
  • 13. Er ontstaan steeds meer verschillende databronnen, met data van steeds toenemende kwaliteit
  • 14. wouter@pacmed.nl Patiënten krijgen alleen nog maar zorg die in de praktijk heeft bewezen te werken voor vergelijkbare patiënten
  • 15. In Primary Care we use models that can be fully interpreted by the professional 100.000 Nitrofurantoin (NTF) prescriptions 70% succesvol 25.000 NTF prescriptions 70% successful Train data Test data Machine learning 25.000 NTF prescriptions (pt. > 65 yr.) 40% successful 15.000 NTF pres. (no Diabetes) 50% successful 10.000 NTF pres. (Diabetes) 25% successful 30.000 NTF pres. (no treatment UTI) 91,67% successful 20.000 NTF pres. (>0 treatments UTI) 75% successful 50.000 Nitrofurantoin prescriptions (pts. < 65 yr.) 85% successful 75.000 NTF prescriptions 70% successful Test model Train model Data
  • 16. Verschillende organisatiekenmerken stimuleren datagedreven besluitvorming Verzameling van uitkomstdata Multi-center data verzameling en benchmarking Value based health care (of andere (financiële) beloning voor verbeterde uitkomsten) Hoog specialistische kennis ter ondersteuning van ontwikkeling beslissingsondersteuning Betrekken patient bij besluitvorming en uitkomstverzameling