NWO Interview - Vallen voorspellen en voorkomen

65-plussers lopen een grote kans om te vallen, met medicijngebruik als belangrijkste oorzaak hiervan. Maar welke individuen lopen het grootste risico, en hoe kun je voor die specifieke patiënten dat risico verminderen? Het big data SNOWDROP-project ontwikkelt manieren om persoonlijke valrisico’s te berekenen. Hiermee kunnen huisartsen en patiënten samen besluiten of en hoe ze het medicijngebruik willen aanpassen om vallen te voorkomen. Een project uit het Commit2data programma, over machine learning en betere arts-patiënt gesprekken.

Ongeveer een derde van de 65-plussers valt tenminste een keer per jaar. Het aantal vallen neemt toe met de leeftijd, met het aantal verschillende aandoeningen dat iemand heeft, en met een toenemende mate van kwetsbaarheid. De medische en psychosociale gevolgen van vallen zijn ernstig. In Nederland belandt er elke vijf minuten een 65-plusser op de Spoedeisende Hulp als gevolg van een val. ‘Hoewel van bepaalde groepen medicijnen bekend is dat ze het valrisico verhogen, was het nog niet mogelijk om voor een individuele gebruiker ervan te berekenen hoe groot de kans is dat hij of zij gaat vallen,’ vertelt SNOWDROP-projectleider prof.dr. Ameen Abu-Hanna van het Amsterdam UMC, locatie AMC. Dat risico hangt namelijk niet alleen samen met welke medicijnen iemand slikt, maar ook met de interactie tussen die medicijnen en het lichaam van de patiënt. ‘Wij willen op basis van de gegevens in iemands medische dossier automatisch kunnen identificeren wie een grote kans heeft om te vallen. De huisarts kan dan vervolgens samen met de patiënt besluiten hoe ze dit risico willen beperken.’

Uitgebreid gegevensbestand

Medicijnen kunnen op verschillende manieren een val veroorzaken. Sommige medicijnen zorgen bijvoorbeeld voor verlies van spierkracht, een slechtere balans, of een trager reactievermogen. Daarnaast kunnen ook algemene bijwerkingen, zoals vermoeidheidsklachten, verwardheid en duizeligheid, leiden tot een val. Ouderen gebruiken vaak meerdere medicijnen tegelijk. Daarnaast verandert de individuele gevoeligheid voor bijwerkingen naarmate iemand ouder wordt. Het SNOWDROP-project gebruikt gegevens van meer dan 75.000 65 plussers van 109 bij het AMC en het VUmc aangesloten huisartspraktijken. Dit gegevensbestand bevat onder andere informatie over medicijngebruik, leeftijd en geslacht, maar ook over labresultaten, diagnoses, doorverwijzingen en vrije tekst aantekeningen in het Nederlands.

Omdat er in het elektronische dossier geen aparte code is voor vallen, weten wij niet wie er wel of niet gevallen is. Dat moeten wij dus zien te halen uit andere informatie.

Noman Dormosh

Vallen vinden en voorspellen

Promovendus Noman Dormosh houdt zich vanuit de afdeling klinische informatiekunde met dit gedeelte van het project bezig. ‘De grootste uitdaging is hier om de relevante data binnen te krijgen,’ vertelt hij. ‘Omdat er in het elektronische dossier geen aparte code is voor vallen, weten wij niet wie er wel of niet gevallen is. Dat moeten wij dus zien te halen uit andere informatie.’ Zo heeft Dormosh handmatig uit de vrije tekst gedeelten van tienduizenden dossiers uitdrukkingen geïdentificeerd die in andere bewoordingen een val aanduiden. ‘Denk aan trigger woorden zoals uitglijden, collapse of struikelen.’ Daarna heeft hij dit proces geautomatiseerd om vallen in andere dossiers te identificeren. Met behulp van machine learning heeft hij op basis hiervan twee modellen ontwikkeld die toekomstige vallen kunnen voorspellen. Het eerste model gebruikt alleen gestructureerde data zoals leeftijd, geslacht, medicaties en labresultaten. Het tweede model gebruikt daarnaast ook de vrije tekst notities van de huisartsen. De modellen werden ontwikkeld op data van huisartsenpraktijken die aangesloten zijn bij het AMC en vervolgens extern gevalideerd op data van praktijken die aangesloten zijn bij het VUmc.

Zinnig gesprek

De tweede promovenda op het project, Leonie Westerbeek, is een communicatiewetenschapper. Zij onderzoekt hoe een huisarts op basis van de voorspellingen van het eerste voorspellingsmodel een zinvol gesprek met de patiënt kan aangaan. ‘Hiervoor werken we samen met ExpertDoc, leverancier van het programma NHGDoc, dat nu al beslissingsondersteuning biedt aan huisartsen in Nederland. In dat programma wilden we een extra module toevoegen gericht op vallen. In mijn onderzoek kijk ik samen met huisartsen wat daarvoor nodig is en hoe zoiets eruit moet zien.’ Zo heeft ze tijdens focusgroepen met huisartsen onderzocht hoe je een risico het beste kunt presenteren aan de patiënt en de huisarts. ‘We zijn daarbij uitgekomen op een combinatie van het absolute cijfer dat de kans op vallen weergeeft gecombineerd met een kleurenbalk die van groen tot rood loopt.’ Daarnaast zijn er aan het systeem interventie-adviezen toegevoegd op basis van de officiële richtlijnen van de huisartsen. Naast de mogelijkheden om medicatie aan te passen geeft het systeem bijvoorbeeld ook suggesties over mobiliteit en het huis val-veilig maken.

SNOWDROP richt zich niet alleen op huisartsen, maar nadrukkelijk ook op de patiënten om gezamenlijke besluitvorming te bevorderen. Hoe kunnen zij zich het beste voorbereiden op een gesprek over vermindering van hun persoonlijke valrisico? Westerbeek: ‘Patiënten krijgen voorafgaand aan het bezoek aan hun huisarts een lijst met vragen voorgelegd die zij mogelijk willen stellen. De patiënten selecteren hier van tevoren zelf de vragen die zij graag met de huisarts willen bespreken. De huisarts krijgt deze informatie voorafgaand aan het consult, zodat deze weet wat er in ieder geval besproken moet worden.’

Voorspoedig verloop

Het project loopt voorspoedig, vertellen de onderzoekers niet zonder trots. Abu-Hanna: ‘Het voorspellingsmodel was eerder klaar dan verwacht. Het is inmiddels ook al als testmodule geïmplementeerd in het programma voor de huisartsen.’ Westerbeek: ‘We gaan bij een aantal huisartspraktijken evalueren hoe dit in de praktijk werkt. Daarbij kijken we voor nu vooral naar het communicatieve aspect: in hoeverre leidt een waarschuwing vanuit het model in combinatie met de beslissingsondersteuning en het patiëntenportaal ook daadwerkelijk tot een gesprek? Hoe verloopt zo’n gesprek? En in hoeverre wordt als gevolg daarvan de medicatie aangepast? Als dit een effectieve methode blijkt, kunnen we als vervolg wellicht een grootschaliger trial opzetten om te concluderen of mensen na deze interventie daadwerkelijk minder vaak vallen. Dat valt echter buiten de scope van dit project.’

Ook Dormosh denkt al voorbij SNOWDROP. ‘Al het informatica-gerelateerde werk voor dit project is in principe klaar en geïmplementeerd. Het zou mooi zijn om nog verder te kijken naar interacties tussen medicatie en bepaalde aandoeningen. Daarnaast ben ik benieuwd of het mogelijk is om de precisie van de voorspellingen nog te verbeteren door andere parameters mee te nemen, of de hiërarchie van de gebruikte medicaties te veranderen. Is het bijvoorbeeld voldoende om te weten of iemand een sedatiemedicijn gebruikt, of is het juist van belang om te weten dat het benzodiazepinen zijn? Welk niveau van informatie is het meest geschikt?’

Het is aan ons om systemen te ontwikkelen die die vrije veld teksten snappen en er nieuwe verbanden in vinden.

Ameen Abu-Hanna

Breder toepasbaar

Abu-Hanna concludeert: ‘Binnen dit project zijn waardevolle methoden ontwikkeld die breder toepasbaar zijn dan alleen voor vallen. Zo gebruiken we een aantal van de ontwikkelde algoritmes in een project met het KWF om te kijken of we in de vrije tekstvelden in de dossiers nieuwe aanwijzingen kunnen vinden wie er een grotere kans loopt op longkanker, anders dan leeftijd, geslacht en of iemand wel of niet rookt. Uiteindelijk vinden wij dat huisartsen in de vrije tekstvakken moeten kunnen schrijven op hun eigen manier, en niet alleen in gestandaardiseerde codes. Het is dan aan ons om systemen te ontwikkelen die die teksten snappen en er nieuwe verbanden in vinden.’

Het snowdrop project hoort bij het Commit2data, een platform dat onderzoeksprogramma’s organiseert en mede door NWO wordt gefinancierd. Commit2data wil de kansen van big data optimaal benutten voor maatschappelijke en economische toepassingen.

Ameen Abu-Hanna is hoogleraar Medische Informatica en hoofd van de afdeling Medische Informatica van het Academisch Medisch Centrum van de Universiteit van Amsterdam. Zijn onderzoek richt zich onder andere op kunstmatige intelligentie, machine learning, datamining en statistiek, prognostische modellering en evaluatie, en beslissingsondersteunende systemen en hun toepassing in de geneeskunde en de gezondheidszorg. Ameen Abu-Hanna behaalde een BSc (cum laude) in computertechniek, een MSc in computerwetenschappen (beide aan de Technion in Haifa) en een doctoraat in kunstmatige intelligentie aan de Universiteit van Amsterdam.

Noman Dormosh is promovendus in de Medische Informatica aan het Academisch Medisch Centrum van de Universiteit van Amsterdam. Hij behaalde een BSc in Farmacie aan de Jordan University of Science and Technology, een MBA aan de EU Business School en een MSc in Medische Informatica aan de Universiteit van Amsterdam. Dormosh heeft uitgebreide ervaring opgedaan in het bedrijfsleven, onder andere als business manager bij WeDev, product manager bij Ibn Al-Haytham Pharmaceutical Industries Co., en system administrator bij HostingFest LTD.

Leonie Westerbeek is promovenda in de Communicatiewetenschap aan de Universiteit van Amsterdam. Zij behaalde haar BSc in Communicatiewetenschap aan de VU Amsterdam, en haar MSc in dezelfde richting aan de Universiteit van Amsterdam.