Succesvol schatgraven in big dataDrie machine learning pilots

Het Nivel beschikt over de unieke combinatie van:grote hoeveelheden zorgdataeen up-to-date onderzoeks-infrastructuurinhoudelijke expertisesamenwerkingsverbanden met universiteiten

en andere kennisinstituten

een verzameling methodenwaarin statistische

technieken gebruikt wordenom computers te laten leren

van grote hoeveelheden data. Bijvoorbeeld om

betere voorspellingen tedoen of patronen te

herkennen.

MACHINE LEARNING

Dit willen wij graag inzetten om een voortrekkersrolte vervullen in het ontwikkelen en toepassen vannieuwe analysemethoden voor big data enpersonalized medicine.

[Pilot 1]Kunnen we patronen in

zorggebruik herkennen inde maanden voor

een suïcide(poging)?

[Pilot 2]Is het mogelijk met

Google-zoekopdrachteneen griepepidemie te

voorspellen?

[Pilot 3]Kunnen we op basis van

observationele databepalen of antibiotica heeftgewerkt bij neusinfectie?

Drie pilots machine learning

Voor alle pilots hebben we gebruikgemaakt van onze data van Nivel Zorgregistraties.

In samenwerking met Universiteit Leiden, Maastricht University en Amsterdam UMCzijn we in 2017 begonnen om drie verschillende onderzoekvragen te beantwoorden

met behulp van machine learning.

Suïcide(poging) voorspellen

Het onderzoek

We hebben het zorggebruik van 1.100 patiëntendie een suïcide(poging) hebben gedaan in 2016vergeleken met 13.000 patiënten die geensuïcide(poging) hebben gedaan. Voorspellende factoren

depressiesociale problematiekslaapproblemen

Resultaten Op basis van zorggebruik konden we in tweeop de drie gevallen correct voorspellen wieeen suïcide(poging) deed.

Op basis van zorggebruik bij de huisarts

PILOT 1

MACHINE LEARNINGTECHNIEK

Ensemble based learning

Verloop van griepepidemie voorspellenOp basis van zoekgedrag op het web

Resultaten De schattingen via Google en Wikipedia komensterk overeen met schattingen op basis van hetaantal huisartsbezoeken voor de griep. Vooral in vakantieperioden zijn de schattingenop basis van online zoekgedrag iets hoger.

Veel huisartsenpraktijken zijn dan geslotenwaardoor precieze cijfers ontbreken.

PILOT 2

Het onderzoek

We hebben het zoekgedrag inGoogle en Wikipedia gebruiktom een schatting te makenvan de griepcijfers in 2018. Deze schatting hebben wevergeleken met de schattingenop basis van geregistreerdehuisartsenconsulten voor degriep.

MACHINE LEARNINGTECHNIEK

Lasso regressietechniek

Zie: https://www.biorxiv.org/content/early/2018/10/11/440867s

Op basis van individuele patiëntkenmerken

?Welke - of geen - antibiotica bij neusinfectie?PILOT 3

MACHINE LEARNINGTECHNIEK

Synthetic random forest

Het onderzoek

Op basis van geregistreerde consulten enrecepten bij de huisarts hebben we onderzochthoeveel en welke patiënten met eenneusinfectie baat hebben bij antibiotica. Ookhebben we bekeken welk type antibiotica voorwie het meest effectief is.

Resultaten Gemiddeld genomen bleek antibiotica effectiefvoor neusinfectie.Van de vier vaakstvoorgeschreven antibiotica bij eenneusinfectie bleek er één daadwerkelijkeffectief te zijn. Leeftijd, medicijngebruik, COPD enverminderde afweer bleken van invloed op deeffectiviteit van antibiotica.

De pilots laten de potentie zien vanmachine learning toegepast oproutinematig verzamelde data.

MEER WETEN OVERMACHINE LEARNING EN

HET NIVEL?

machinelearning@nivel.nlwww.nivel.nl

Conclusie pilots