Blog: Machine learning in de GGZ

Door: Peggy van der Pol

Hoewel ik na een jaar bij het softwarebedrijf NETQ Healthcare nog geen regel code schrijf, kan ik mijzelf er wel volop ontwikkelen! Zo maakte ik kennis met Machine Learning in de (klinische) praktijk, via een training van het Trimbos Instituut geleid door mijn oud-collega Joran Lokkerbol. De bonus: werken in R! Dit is analysesoftware met een steile leercurve waarmee ik al jaren wilde leren werken. Een beetje coderen mag je dat toch wel noemen.

De eerste cursusdag dit voorjaar was een spannende. Het kennisniveau van de groep was indrukwekkend te noemen. Hier zat een groep – voornamelijk vrouwen – die de waarde van (ROM)-data ziet, de wil heeft de zorg te verbeteren, en de capaciteit heeft om dat te realiseren. De cursus was een introductie in machine learning, specifiek toegepast in de GGZ. Het doel was om vanuit een praktijkvoorbeeld de data te crunchen tot een machine learning algoritme. Er was veel aandacht voor hoe je je data klaar maakt om in een algoritme te stoppen, hoe je dat vervolgens in de software doet en wat de uiteindelijke betekenis is van wat je doet. Docent Joran Lokkerbol was er op gericht om ons de blackbox van machine learning te laten begrijpen en goed te kunnen beoordelen welke projecten wel en niet geschikt zijn voor machine learning.

De wereld beter begrijpen
Met mijn cursusmaatje uit de klinische praktijk werkten we aan een predictiemodel voor de verwachte behandelduur van cliënten. De beschikbare variabelen bleken helaas geen duidelijke voorspellers te zijn. Toch heeft de cursus me een realistischer kijk gegeven op hét toverwoord machine learning. Een deel van de onderliggende statistiek was me al bekend, maar het is een andere benadering van data. Je bedenkt niet eerst een hypothese om vervolgens te kijken of er een oorzakelijk verband is, maar je kijkt in de data en je laat de computer zoeken naar verbanden en patronen. Enerzijds kun je het een hype noemen, omdat men denkt dat het de nieuwe manier is om alles op te lossen, terwijl ik denk dat dat niet kan. Anderzijds, het is een alternatieve methode om de wereld zoals die is beter te begrijpen op een manier die ons menselijk hoofd niet gauw zou verzinnen.

Rol NETQ Healthcare
NETQ gebruikt natuurlijk de data in onze systemen zelf niet, we zijn geen eigenaar. Maar ik zie wel een rol voor NETQ Healthcare op het gebied van machine learning in de GGZ. Stel dat het de GGZ in de toekomst lukt om een goed predictiemodel te maken, dan kunnen we wel een faciliterende rol hebben in het toepassen en testen van het model. Om machine learning uit te kunnen rollen heb je aan de ene kant clinici nodig, om te weten waar je mee bezig bent. Verder moet er een data geek zijn die de data goed weet te verwerken zodat deze optimale informatiewaarde heeft. Tot slot heb je ook een manier nodig waarop het model landt, en ik denk dat dát is waar NETQ als IT-oplossing een rol heeft. Als er eenmaal een goed model is moeten we dat immers kunnen presenteren en terugbrengen naar de behandelkamer. En met deze cursus achter de kiezen ben ik voldoende geëquipeerd om op niveau te mee te denken.

Kansen machine learning in de zorg
In de GGZ zijn minder machine learn voorbeelden dan in de somatische zorg, dit was een belangrijke aanleiding voor de cursus (nieuwe cursus start overigens in september). Toch loopt er bijvoorbeeld een project waarbij in de verslagen in het EPD met tekstanalyses wordt gezocht naar aanwijzingen die geweldsincidenten of suïcide kunnen voorspellen. Dat is heel waardevol. Als machine learning inderdaad een blijvende benaderwijze van data blijkt, hoop ik dat we met behulp van machine learning steeds beter gepersonaliseerde zorg kunnen bieden. Denk maar aan Netflix die voor jou bedenkt welke films jij goed vindt. Zo denk ik dat machine learning ook kan helpen bij het zoeken van de juiste zorg en zorgverlener voor jou.

 

Dr. Peggy van der Pol is werkzaam als consultant bij NETQ Healthcare, waar zij zich onder meer toelegt op het faciliteren van het gebruik van ROM-gegevens en het verbeteren van patiëntrapportages.

 

 


Wat is machine learning

Machine learning is een breed onderzoeksveld binnen AI (Artificial Intelligence, ofwel kunstmatige intelligentie), dat zich bezighoudt met de ontwikkeling van algoritmes en technieken waarmee computers kunnen leren. Machine learning verwijst naar elk systeem waar de prestatie van een machine bij het uitvoeren van een taak beter wordt door meer ervaring op te doen in het uitvoeren van die taak. Machine learning bestaat dus uit algoritmes die leren dankzij data. Het gaat om het gebruiken van statistische/wiskundige technieken om computers in staat te stellen om te leren zonder dat ze expliciet geprogrammeerd te zijn. Met behulp van algoritmen die iteratief leren van data, kan machine learning verborgen inzichten vinden zonder expliciet geprogrammeerd te zijn waar te kijken. (3bplus)