Werkpakket 1: “Gegevens uit elektronische patiëntendossiers – optimalisatie datakwaliteit“

Het LEAPfROG project hergebruikt gegevens die vastgelegd zijn in het elektronisch patiëntendossier (EPD) van: Amsterdam UMC, huisartsen uit regio Amsterdam, en huisartsen aangesloten bij PHARMO Database Network (vooral buiten regio Amsterdam).

In het EPD ligt een schat aan informatie verborgen over effecten en bijwerkingen van geneesmiddelen in de dagelijkse praktijk. Ook voor mensen met multimorbiditeit en polyfarmacie. Het benutten van gegevens uit EPD systemen kan ons dus helpen om patiënten met multimorbiditeit betere zorg te bieden. Om betrouwbaar verbanden te kunnen leggen tussen geneesmiddelen en hun effecten of bijwerkingen, zijn grote hoeveelheden gegevens (lees veel patiënten) en veel verschillende soorten gegevens (o.a. medicatie, laboratorium bepalingen, diagnoses, medische historie, symptomen, vitale functies) nodig. Machine learning leent zich bij uitstek voor analyses van zulke complexe gegevens.

In dit werkpakket gaan we hulpmiddelen ontwikkelen om de kwaliteit van gegevens uit de EPD’s inzichtelijk te maken en waar nodig te verbeteren. Alleen met gegevens van hoge kwaliteit kunnen we tot betrouwbare inzichten komen. Hiernaast ontwerpen we een algoritme om patiënten met een specifieke aandoening op te sporen in het EPD. Dit wordt ook “elektronische fenotypering” genoemd. Bijvoorbeeld patiënten met verschillende stadia van chronische nierschade.

Werkpakket 2: “Informatie uit kennisbronnen – representatie van kennis”

In dit werkpakket gaan we hulpmiddelen ontwikkelen om de bestaande kennis over geneesmiddelen om te zetten naar computer-interpreteerbare kennis. Bestaande kennisbronnen zoals boeken, richtlijnen, databases, geneesmiddelbijsluiters en wetenschappelijke artikelen bevatten veel informatie over geneesmiddelen. Informatie over hoe geneesmiddelen werken, welke bijwerkingen ze kunnen geven en welke combinaties je wilt voorkomen.

De hoeveelheid aan informatie is inmiddels zo groot en versnipperd dat het voor de mens nauwelijks meer bij te houden is. Doordat deze informatie vaak als tekst beschikbaar is, kost het ook nog eens heel veel tijd om het te lezen en doorzoeken. In werkpakket 2 gebruiken we machine learning om de grote hoeveelheid aan bestaande kennisbronnen over geneesmiddelen makkelijker en sneller doorzoekbaar te maken. Een computer kan de kennisbronnen hierdoor snel en betrouwbaar doorzoeken en “begrijpen”.

De computer kan hierdoor ook zorgverleners en patiënten ondersteunen bij het vinden van antwoorden op vragen met betrekking tot complex geneesmiddelgebruik. Bijvoorbeeld met betrekking tot medicatie-gerelateerde nierschade.

Werkpakket 3: “Innovatieve machine learning technieken”

In dit werkpakket ontwikkelen we machine learning algoritmen die tegelijkertijd leren van gegevens uit EPD systemen en van bestaande kennisbronnen. We verwachten dat deze combinatie leidt tot betrouwbaardere medicatieadviezen. Het wetenschappelijk jargon noemt dit neuro-symbolic Artificial Intelligence. Hiernaast gebruiken we machine learning algoritmen om oorzaak-gevolg vragen te beantwoorden. Dit noemen we causale modellen. De ontwikkeling van causale modellen is daarom het tweede spierpunt van werkpakket 3. We willen bijvoorbeeld de vraag “is de nierschade veroorzaakt door dit geneesmiddel?” kunnen beantwoorden.

Werkpakket 4: “Individuele medicatieadviezen – samenwerking tussen mens en computer”

In dit werkpakket gaan we een prototype ontwikkelen van een digitale assistent LEA. LEA maakt gebruik van alle hulpmiddelen uit werkpakketen 1 -3. Deze intelligente assistent zal medicatieadviezen aanbieden afgestemd op de individuele patiënt. We onderzoeken hierbij hoe mens en computer het beste kunnen samenwerken.

We starten met medicatieadviezen voor patiënten met chronische nierschade. Met name gericht op het herkennen en voorkomen van medicatie-gerelateerde nierschade.

Werkpakket 5: “Ontwikkeling PharmacoInformatics Platform”

De LEAPfROG aanpak wordt uitgeprobeerd in een populatie met chronische nierschade (onze Case Study). Als dit succesvol blijkt, kunnen we de aanpak ook in andere patiëntengroepen met multimorbiditeit toepassen. We geloven in onze aanpak. Daarom bouwen we in werkpakket 5 aan een duurzaam en toekomstgericht PharmacoInformatics Platform (PIL). Een platform waarin we nieuwe databronnen kunnen benutten en continu de methodes kunnen aanscherpen, uitbreiden, innoveren en openbaar beschikbaar stellen.