‘Machine learning is dienend aan de ggz-behandelaar, niet leidend’

Interview met Joran Lokkerbol

31 januari 2020
 

Joran Lokkerbol

De term machine learning roept wellicht futuristische beelden op. Maar de realiteit is dat er nu al volop onderzocht wordt op welke manieren het behandelingen kan ondersteunen in de ggz. Het is slechts een kwestie van tijd voordat de toepassingsmogelijkheden vast onderdeel zullen uitmaken van ggz-behandelingen, zodat behandelaren nóg beter behandeling op maat kunnen geven aan patiënten.

Hulpmiddel bij predictievraagstukken

Machine learning gaat sámen met behandelaren de kwaliteit van ggz-behandelingen verbeteren, stelt Joran Lokkerbol, mathematisch econoom en datawetenschapper bij het Trimbos-instituut. ‘Machine learning is hierbij dienend aan de ggz-behandelaar’, zegt hij, ‘en niet leidend. Het is een vorm van statistiek, werkend met algoritmen, die leert op basis van voorbeelden. Zo kunnen we een predictievraagstuk behandelen. Wat is bijvoorbeeld de kans dat deze patiënt voldoende heeft aan een standaardbehandeling? Of wat is de kans dat een bepaalde patiënt een suïcidepoging gaat doen? Machine learning is een techniek die veel klinisch relevante data kan verwerken en op basis daarvan als het ware groene en rode aandachtsvlaggetjes plaatst in het behandeltraject van een patiënt. Het vertelt ons niet wat we wel of niet moeten doen. Maar het wijst wel op bepaalde risico’s en kansen bij specifieke patiënten, zodat de behandelaar daar met de behandeling beter op kan anticiperen.’
 
Machine learning maakt het makkelijker om álle klinisch relevante informatie over een patiënt zo goed mogelijk te gebruiken. ‘En dat is toch wat iedere ggz-behandelaar graag wil. Zo kan machine learning waardevolle informatie halen uit alle sessieverslagen die de behandelaar schrijft na iedere sessie met een patiënt’, noemt hij als voorbeeld. Door de sessieverslagen met algoritmen te doorlopen, is het bijvoorbeeld mogelijk om op snelle en eenvoudige wijze te kijken of een patiënt ooit – mogelijk zelfs jaren geleden – heeft gesproken over suïcidaliteit. Op die manier kan machine learning helpen om een voorselectie te maken van patiënten die een groter risico op suïcide lopen, zodat de behandelaar daar eventueel in een vroeg stadium op kan inspelen met de behandeling.’

'Machine learning maakt het makkelijker om álle klinisch relevante informatie over een patiënt zo goed mogelijk te gebruiken.'

Joran Lokkerbol

Datagedreven optimalisatie van behandelingen

Een ander pluspunt: machine learning kan op basis van grote hoeveelheden data aangeven binnen hoeveel behandelingen een bepaalde groep patiënten met depressie begint op te knappen bij een standaardbehandeling. ‘Een behandelaar kan zijn patiënt, die deel uitmaakt van dezelfde populatie, op basis van deze gegevens zorgvuldig monitoren’, zegt Lokkerbol. ‘Stel dat de andere patiënten gemiddeld na vijf behandelingen beginnen op te knappen, maar jouw patiënt niet. Dan kan dat een reden zijn om extra stil te staan bij deze patiënt. Bijvoorbeeld door tijdens het multidisciplinair overleg aan de hand van een blindevlekkenlijst te kijken of er nog iets speelt dat eerder over het hoofd is gezien.’ Maar het kan ook andersom werken. ‘Als jouw patiënt juist sneller opknapt dan de rest van de populatie, kan dat een reden zijn om minder lang door te gaan met de behandeling.’

Vaak zijn het ggz-instellingen die machine learning-initiatieven initiëren en uitwerken. ‘Het aantal ggz-instellingen dat meerwaarde wil halen uit de data die ze al hebben, neemt toe’, constateert Lokkerbol. ‘Ik heb veel respect voor de ggz-organisaties die nu al hun datastructuur aanpakken om een basis te leggen voor machine learning, om zo de kwaliteit van zorg steeds verder te verbeteren.’ Exemplarisch noemt Lokkerbol Antes, Arkin en Altrecht, maar ook UMC-Utrecht. Om ggz-instellingen te faciliteren biedt het Trimbos-instituut sinds vorig jaar de leergang machine learning aan, waarbij zowel onderzoekers, behandelaren als managers uit ggz-instellingen, stap voor stap, kunnen leren wat erbij komt kijken als zij zelf aan de slag gaan met data-analyse en machine learning.

Personalised medicine

Op dit moment zijn veel machine learning-toepassingen nog in onderzoeksfase. Lokkerbol verwacht echter dat behandelaren machine learning komende decennia steeds meer gaan toepassen om de kwaliteit van de ggz verder te verbeteren. ‘Het is niet langer de vraag óf machine learning een rol gaat spelen’, zegt hij. ‘De vraag is: wannéér gaat machine learning een rol spelen binnen de eigen ggz-instelling? Er komt steeds meer data beschikbaar. Analyse daarvan zorgt dat we steeds meer personalised medicine kunnen leveren, wat de kwaliteit van de ggz ten goede komt. Ik zie het zo: als je de behandeleffectiviteit verbetert, verbeter je de kwaliteit van de ggz. En dat heeft ook weer positieve gevolgen voor de kosten van de ggz.’


Artikelen: