Your SlideShare is downloading. ×
  • Like
Blog 17: Hoe analyses van medische gegevens helpen bij het voorspellen van mentale problemen
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Now you can save presentations on your phone or tablet

Available for both IPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Blog 17: Hoe analyses van medische gegevens helpen bij het voorspellen van mentale problemen

  • 41 views
Published

Met ongestructureerde medische gegevens zijn voorspellingen te doen. Parnassia gebruikt dit om mentale problemen vroegtijdig te herkennen.

Met ongestructureerde medische gegevens zijn voorspellingen te doen. Parnassia gebruikt dit om mentale problemen vroegtijdig te herkennen.

Published in Data & Analytics
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
41
On SlideShare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
0
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Hoe analyses van medische gegevens helpen bij het voorspellen van mentale problemen
  • 2. 2 Hoe kunnen we voorkomen dat patiënten in isoleercellen terechtkomen? Het continu persoonlijk begeleiden van alle patiënten en het oppikken van alle signalen is echter onmogelijk: organisatorisch en financieel is daar helaas geen ruimte voor. Hoe dan wel? Door met software tekstanalyses van de aantekeningen van alle betrokken hulpverleners te maken en daaruit trigger terms te halen. Of dit nu e-mails van patiënten zijn, chat-berichten of verslagen van persoonlijke gesprekken: alles is nu te gebruiken om een beter beeld te krijgen van de signalen die patiënten geven. En vroegtijdig in actie te kunnen komen. Analyses uit grote hoeveelheden medische gegevens Grote datasets met gestructureerde medische gegevens kunnen goed inzicht geven in bijvoorbeeld de spreiding van bepaalde aandoeningen onder bepaalde leeftijdsgroepen, de gebruiksfrequentie van een medicijn of hoe vaak een ingreep heeft plaatsgevonden binnen een tijdsbestek. Ongestructureerde gegevens: net even dat beetje extra Waarvoor we deze gegevens echter beperkt kunnen gebruiken, is het doen van voorspellingen. Hiervoor leent de combinatie van gestructureerde gegevens met ongestructureerde gegevens zich beter. In de ongestructureerde gegevens zoals de aantekeningen van artsen en verpleegkundigen zit namelijk vaak zeer waardevolle informatie: gegevens over de indruk die de patiënt maakte, de onderbouwing van een diagnose, conclusies uit onderzoeken, et cetera. Hoe kunnen we die meenemen? Hoewel deze aantekeningen in toenemende mate gedigitaliseerd worden, worden ze nog nauwelijks geanalyseerd. En dat is zonde. De manier waarop deze enorme hoeveelheden ongestructureerde gegevens als informatiebron nu wel gebruikt kunnen worden, is door tekstanalyse- technieken in te zetten. Welke woorden komen veel voor in het dossier van een patiënt? De tekstanalyse-software iKnow detecteert in een grote dataset ongestructureerde medische gegevens alle zinvolle woordgroepen en de relaties tussen die woordgroepen. Het legt de woordgroepen vast zonder een doel van te voren. Het haalt bijvoorbeeld uit de zin “Patiënt maakt een chaotische indruk”, de zinvolle woordgroepen “patiënt” (concept) “maakt” (relatie) “chaotische indruk” (concept). iKnow slaat deze concepten op in een smart-index waarmee verdere analyses kunnen plaatsvinden. Bijvoorbeeld om top-lijsten samen te stellen van veelvoorkomende woorden in patiëntendossiers. Praktijkcase: mentale problemen vroegtijdig herkennen bij patiënten Met deze iKnow-technologie zijn professor doctor Erik Hoencamp, Dirk van Hyfte (Senior Advisor for Biomedical Informatics bij InterSystems) en en Mirjam Hazewinkel van Zorginstelling Parnassia aan de slag gegaan. Met behulp van medische gegevens wilden zij beter inzicht krijgen in welke psychiatrische patiënten een risico lopen in de isoleercel terecht te komen. Met behulp van smart-indexing is het namelijk ook mogelijk patronen te herkennen in ongestructureerde medische gegevens en op basis daarvan voorspellingen te doen.
  • 3. 3 Is er een duidelijk verschil in de verslagen? Heel concreet gingen zij met behulp van geanonimiseerde datasets op zoek naar het antwoord op de vraag: Wat is heel specifiek voor patiënten die uiteindelijk in een isoleercel terechtkomen? Om die vraag te kunnen beantwoorden, hebben ze een grote dataset met medische verslagen van twee patiëntengroepen geanalyseerd: de patiënten die gesepareerd waren en de niet-gesepareerde patiënten. Uit de analyse bleek in het woordgebruik in de verslagen een duidelijk verschil te zitten tussen deze twee patiëntengroepen (zie de afbeelding rechts): bepaalde woorden werden significant vaker gevonden bij gesepareerde patiënten dan bij niet-gesepareerde patiënten. Het ging om chaotisch, claimend, conflict, manisch psychotisch toestandsbeeld, motorisch onrustig, oninvoelbare indruk, psychotische indruk, discussie, eisend, dwingend, verzet, manie en agressief. Dit zijn specifieke trigger terms voor het detecteren van patiënten die een risico vormen tot separatie.
  • 4. 4 Wanneer verandert het woordgebruik? De onderzoekers hebben echter niet alleen naar het woordgebruik van de twee patiëntengroepen gekeken, ze hebben ook de ontwikkeling in het woordgebruik onder de loep genomen: is er een trend vast te stellen in de data? Daarvoor hebben ze de dataset van alle patiënten die uiteindelijk gesepareerd werden als het ware in stukjes gehakt. Ze zijn gaan kijken vanaf 50 dagen voor separatie tot de dag van separatie hoe bepaalde termen zijn gaan evalueren. En wat bleek? Ongeveer 10 dagen voor separatie vonden de meeste variaties plaats. Een redelijk positief gegeven. Er is dan namelijk nog een tijdsmarge van 10 dagen om therapeutische maatregelen te gaan nemen en de behandeling aan te passen.
  • 5. 5 Wie loopt er een verhoogd risico? Het plan is om een preditictive model met een user interface te maken. Op deze manier krijgt de verpleegafdeling een goed overzicht van de patiënten die vallen in de high-, medium- en low-risk groepen. De aantekeningen zelf en de termen die tot de risicofactoren behoren, zijn daaraan gekoppeld. Hierdoor zien de hulpverleners niet alleen precies wie meer aandacht moet krijgen, maar ook waarom die bepaalde patiënten in die risicogroep vallen. Zodat de hulpverleners op die manier de behandeling eerder kunnen aanpassen en het aantal separaties kunnen verminderen.
  • 6. 6 Meer weten? Op de Zorg & ICT beurs heeft Dirk van Hyfte een presentatie gehouden over het ontsluiten van ongestructureerde medische data en de toepassingen daarvan. Wilt u ook aan de slag met predictive models op basis van de aanwezige medische gegevens? Of bent u geïnteresseerd in de andere toepassingen van de iKnow-technologie, zoals patiëntendossiers beter analyseren en patiëntengroepen identificeren? Neem dan contact met ons op, we kijken graag samen naar wat er mogelijk is voor uw zorginstelling. Dit artikel is geschreven door de redactie van InterSystems. Fotocredits: Isoleercel: Erasmus MC Onderzoeksgegevens en Interface: InterSystems Wil je meer informatie? Klik hier om naar ons blog te gaan.