Big data en kunstmatige intelligentie

Machine learning effectiever dan menselijk brein bij voorspelling hartinfarct

© dny3d / stock.adobe.com

Met hulp van het algoritme LogitBoost is het mogelijk om een hartinfarct aanzienlijk nauwkeuriger te voorspellen dan op basis van medische dossiers.

Met het algoritme LogitBoost is een patroon ontdekt dat in 82 procent van de gevallen een hartinfarct of overlijden juist voorspelt. Een voorspelling alleen op grond van tien klinische variabelen uit medische dossiers, blijft steken bij 65 procent.

__________________________________________________________________________________________

Abonneer u nu op de nieuwsbrief van QruxxTech. En krijg daarmee iedere maandag een update van alle artikelen, blogs en nieuwsberichten.

___________________________________________________________________________________________

LogitBoost berekende aan de hand van 85 variabelen uit diagnostisch onderzoek de kans op hartinfarct of overlijden bij patiënten die met pijn op de borst naar het ziekenhuis kwamen. Door de analyse steeds weer te herhalen vond het algoritme uiteindelijk het meest passende patroon om een hartinfarct of sterfte te voorspellen.

Variabelen

De 950 patiënten die bij het onderzoek betrokken waren, kwamen in het ziekenhuis vanwege klachten over pijn op de borst. Ze kregen de diagnostiek die in het ziekenhuis gebruikelijk was in hun situatie. Al dat onderzoek leverde een groot aantal gegevens op die te maken kunnen hebben met de kans op het krijgen van een hartinfarct.

17 klinische variabelen waren afkomstig uit het medisch dossiers van patiënten, zoals geslacht, leeftijd, bloeddruk, gewicht, rookgedrag, het hebben van diabetes of andere ziektes die van belang kunnen zijn voor het krijgen van een hartinfarct.

58 variabelen kwamen van CT-scans van de kransslagaders. Deze bevatten onder meer informatie over kransslagadervernauwing of -verkalking en de aanwezigheid van plaques. Patiënten van wie de uitslag van de CT-scan verontrustend was, kregen ook nog een PET-scan. Uit deze scans konden nog eens 17 variabelen over de bloedstroom worden gehaald.

Voorspellen

In de loop van zes jaar kregen 24 van de 950 patiënten een hartinfarct, terwijl 49 overleden. Met alle bekende variabelen en de klinische uitkomst sloeg het algoritme aan het rekenen. Het zelflerende systeem kon met de tien klinische variabelen in 65 procent van de uitkomst goed voorspellen. Dat is 15 procent meer dan bij een random keus uit twee variabelen.

Met de informatie uit de PET-scan erbij was de voorspelling in 69 procent van de situaties correct. Met de gegevens van de CT-scan erbij nam de voorspelkracht aanmerkelijk toe tot 82 procent. De sensitiviteit of accuratesse van het algoritme (aantal keren positieve uitkomst op basis van algoritme in aanwezigheid van ziekte of overlijden) bedroeg 90 procent.

Gepersonaliseerde behandeling

Volgens onderzoeker Luis Eduardo Juarex-Orozco van het Turku PET-Centrum in Finland, maakt machine learning een gepersonaliseerde behandeling van patiënten mogelijk. En vanwege het grote aantal data heeft hij hoge verwachtingen van de toepassing van machine learning in de geneeskunde. ‘Mensen kunnen niet in meer dan vier dimensies denken. In situaties dat we veel meer dimensies nodig hebben voor een voorspelling bij individuen hebben we machine learning nodig.’

De voorspellende potentie van Google, Netflix en Spotify loopt volgens Juarex-Orozco weliswaar ver voor op die in de geneeskunde. ‘Maar in de geneeskunde moeten we zorgvuldiger zijn in hoe we risico’s en uitkomsten evalueren.’

Reacties