Ziekenhuis Oost-Limburg (ZOL) en imec ontwikkelen algoritme dat hartproblemen kan voorspellen

Met het project ‘Heartfelt’ ontwikkelen Ziekenhuis Oost-Limburg (ZOL) en imec een algoritme dat hartritmestoornissen kan voorspellen, waardoor risicopatiënten in een vroeger stadium geïdentificeerd en beter opgevolgd kunnen worden. De kracht van artificiële intelligentie, in combinatie met veilig gedeelde inzichten uit patiëntendata, vormen sleutelingrediënten voor betere patiëntenzorg, een betere levenskwaliteit van patiënten en minder druk op het ziekenhuispersoneel.

De Amerikaanse Mayo Clinic was in 2019 wereldwijd pionier met een algoritmisch AI-predictiemodel dat voorkamerfibrillatie (VKF) kon ontdekken, een maand vóór er iets te zien is op een elektrocardiogram (ECG). Dat wekte veel interesse van de internationale medische gemeenschap, want hoewel VKF in principe vrij goed te behandelen is, blijven risicopatiënten vaak te lang onder de radar, waardoor ze kans lopen op levensbedreigende bloedklonters.

Waarom ze onder de radar blijven? Patiënten met VKF kunnen een perfect normaal ECG afleveren. En ze ondervinden vaak ook geen specifieke klachten. VKF vroeger detecteren, of zelfs voorspellen, maakt dus een enorm verschil.

Voorkamerfibrillatie 30 dagen vooraf voorspellen zou in principe genoeg moeten zijn om een behandeling tijdig op te starten – van zodra de vroege monitoring tot een diagnose geleid heeft. Maar: een patiënt is niet elke maand in het ziekenhuis voor een ECG. Als de voorspellende waarde van het algoritme groter wordt, en als je zo evolueert richting voorspellingen van een jaar, kan je een bredere groep helpen zonder dat je een berg extra screenings moet gaan uitvoeren in het ziekenhuis.

Daarom besloot cardioloog Pieter Vandervoort van het Ziekenhuis Oost-Limburg (ZOL) het algoritme van de Mayo Clinic verder te verfijnen, met behulp van machine learning op de eigen data. Wat ze daarvoor nodig hadden? Meer patiënten, meerdere ECG’s per patiënt en andere data uit de elektronische patiëntendossiers. In een volgende fase worden nog data van andere ziekenhuizen en de data van een zelftestapp als FibriCheck opgenomen. “Dat moet wel allemaal gebeuren op een manier die privacyveilig is. Voor expertise daarrond deden we een beroep op imec. En zo was het Heartfeltproject geboren”, vertelt Myrte Barthels, data-scientist van ZOL.

Inzichten delen zonder de data te delen

In een volgende fase is het de bedoeling om ook data van andere ziekenhuizen en van een zelftestapp als FibriCheck op te nemen. Het AI-model van Heartfelt zal daarvoor ‘federated learning’ toepassen. Net als bij de populaire iPhone-assistent ‘Siri’ leert het systeem lokaal: via je smartphone leert Siri jouw stem kennen. Je stem zelf verlaat je telefoon niet – om privacyredenen- maar de inzichten die lokaal geleerd worden, samen met de transcriptie en metadata zoals tijd en locatie worden met een geanonimiseerde ID naar Apple gestuurd en daar tijdelijk opgeslagen om de Siridiensten te verbeteren, ook voor andere gebruikers.

Op dezelfde manier wordt het AI-model van Heartfelt beter naarmate het gevoed wordt met meer data. Andere data van eenzelfde patiënt kunnen het beeld verrijken, bijvoorbeeld oudere ECG’s en informatie uit het elektronisch patiëntendossier. Maar het model wordt pas echt slimmer als het zich kan voeden met grote hoeveelheden data van meerdere mensen. Het gaat dan in eerste instantie om data afkomstig van patiënten uit meerdere ziekenhuizen, maar ook gegevens van smartwatches of sportapps kunnen een rol spelen. Resultaat: een sneller en nauwkeuriger predictiemodel voor VKF, waardoor risicopatiënten geïdentificeerd kunnen worden die anders gemist zouden worden.

Er zijn wel wat verschillen tussen medische data en de gegevens die Siri verwerkt. Vooreerst: de data zit verspreid bij verschillende partijen, en is vaak op verschillende wijze gestructureerd. Lees: de databank van elk ziekenhuis spreekt z’n eigen taal. Bovendien gaat het om uiterst gevoelige informatie.

“De oplossing is PAML (privacy-preserving amalgamated machine learning), een vorm van  federated learning. In essentie komt het erop neer dat niet de data gedeeld wordt, maar wel de inzichten die uit de data voortkomen. Het maakt het ook mogelijk om diverse AI-modellen met elkaar te laten samenwerken, zonder dat een partij z’n intellectueel eigendomsrecht op deze modellen hoeft te verliezen. Dat is belangrijk als spelers als FibriCheck zouden meedoen”, legt Ellie D’Hondt, digital health expert van imec uit. “Doordat het platform dat we voor Heartfelt bouwen generisch en opschaalbaar is, kan je bovendien nieuwe algoritmes invoeren of het platform zelfs gaan toepassen in andere sectoren dan gezondheid, zoals voor voorspellingen rond energieverbruik.

Van de medische literatuur naar de ziekenhuisvloer

“Eerst moesten we de IT-infrastructuur ombouwen om in onze cloud te kunnen werken met de data van ZOL”, zegt Myrte Barthels van ZOL. “Vervolgens moesten we de algoritmes uit de medische literatuur reproduceren met die eigen data. En van zodra dat gelukt was, zijn we beginnen experimenteren om het algoritme te verfijnen en andere modellen te zoeken die VKF beter kunnen voorspellen. Daarbij zijn we uiteindelijk gestoten op de limieten van ons eigen data volume”, legt Myrte uit. “Om die reden willen we in een vervolgproject ook data uit andere ziekenhuizen betrekken.”

“Toch staan we nog ver af van een implementatie op de ziekenhuisvloer”, verduidelijk Noëlla Pierlet, head of data science bij ZOL. “Om te testen of onze proefalgoritmes voldoende performant zijn, gaan we het pad van de klinische studies opstarten. Daarvoor moeten we nog een positieve aanvraag krijgen van het ethisch comité, het federaal agentschap voor geneesmiddelen en gezondheid inlichten en enkele juridische obstakels overwinnen. Tel daar de periode van certificering bij, en dan weet je dat het nog zeker 7 jaar zal duren voor we ermee aan de slag kunnen op de ziekenhuisvloer."

Een andere uitdaging is dat het algoritme de groep van risicopatiënten correct moet afbakenen. “Als die groep plots enorm groot wordt, dat kan je dat als ziekenhuis niet trekken”, legt Noëlla uit. “Je moet zorgvuldig omspringen met de beperkte capaciteit in de zorg voor extra ECG’s, maar ook voor een eventuele opvolging via een zelftestapps zoals FibriCheck”, zegt ze, “want ook die zal tijd vergen”.

AI adviseert, de dokter beslist

En wat met het vertrouwen van dokters in het predictiemodel? “Het blijft een beslissingsondersteuning: het model kan nooit de beslissing van de arts overnemen”, verduidelijkt Noëlla Pierlet. “Het kan perfect zo zijn dat het algoritme niet suggereert om iemand op te volgen, maar de dokter daar wél voor kiest. Dat is trouwens een belangrijke nuance in dit verhaal: het model suggereert enkel om een patiënt wel of niet te monitoren, het spreekt zich niet uit over de vraag of een behandeling of medicatie wel of niet opgestart moet worden. Anders gezegd: het algoritme identificeert risicopatiënten die we anders over het hoofd zouden zien. De situatie kan er met andere woorden alleen op vooruitgaan.”

Op termijn is de sleutel voor het draagvlak van algoritmes in de zorg: de verklaarbaarheid. “Artsen hebben er vertrouwen in, zolang je goed kan uitleggen hoe een algoritme tot een bepaalde keuze komt”, zegt Noëlla.

“In die verklaarbaarheid ligt ook een kans voor medisch onderzoek", weet Ellie D’Hondt. “De algoritmes kunnen helpen om ongekende verbanden te leggen tussen ziektes en medische historieken. Op die manier kan machine learning bijdragen om de code van ziektes te kraken, en ook voorspellingen te doen voor andere ziektes. Hiermee zetten we een essentiële stap van curatieve naar preventieve gezondheidszorg", besluit ze.