Predictietool

Door naar het herstel van 100 vergelijkbare ggz-cliënten te kijken, kan een computer voorspellen hoe de gezondheid van een cliënt zich ontwikkelt. Het Trimbos-instituut ontwikkelde deze predictietool in samenwerking met de Radboud Universiteit. De code wordt openbaar, zodat ook anderen ermee aan de slag kunnen.

Onderstaande figuur laat zien wat de verwachte uitkomst is op de Symptom Distress subscale van de Outcome Questionnaire, op basis van iemands symptoomscore bij de start en ten tijde van de tussenmeting:

  • De rode lijn toont het beloop in het eerste deel van de behandeling en het voorspelde beloop in het tweede deel van de behandeling;
  • De grijze lijnen tonen het beloop van de 100 meest vergelijkbare patiënten;
  • De histogram toont hoe vaak de 100 meest vergelijkbare een specifieke uitkomst hadden op de Symptom Distress subscale van de Outcome Questionnaire aan het einde van de behandeling.

Onder de figuur vindt u meer informatie over deze tool, die in samenwerking met Radboud Universiteit werd ontwikkeld, gefinancierd door SIDN-fonds en ZonMw.

Achtergrond

De ontwikkeling van deze tool, gefinancierd door SIDN-fonds en ZonMw, werd uitgevoerd door Trimbos instituut in samenwerking met Radboud Universiteit. Het doel van dit project was om een interactieve tool te ontwikkelen, waarbij halverwege een basis GGZ traject kan worden voorspeld hoe de symptomen van een patiënt zich zullen ontwikkelen gedurende de rest van het traject, zodat eventueel op een eerder moment bijgestuurd kan worden. Hierbij was het doel om deze predictie zo intuïtief en uitlegbaar mogelijk te visualiseren.

Aanpak

De predictietool is gebaseerd op een aangepaste variant van het machine learning algoritme K nearest neighbours. Dit algoritme werd op een aantal varianten aangepast, zodat voorspellingen veel nauwkeuriger werden. Bovendien werd het daarbij mogelijk om de voorspelling te visualiseren, en daarbij de 100 meest vergelijkbare patiënten te tonen die ten grondslag liggen aan de voorspelling van de betreffende patiënt.

Het voorspelde beloop wordt dus gebaseerd op de belopen van de 100 meest vergelijkbare patiënten, waarbij bij de ontwikkeling van het algoritme werd bepaald op welke manier ‘meest vergelijkbaar’ het beste kon worden vormgegeven, zodat het algoritme in staat was om zo nauwkeurig mogelijke voorspellingen te maken.

Uitkomsten

Naast de ontwikkeling van bovenstaande tool worden er momenteel enkele wetenschappelijke artikelen ingediend, die op deze site worden toegevoegd wanneer deze zijn gepubliceerd. Deze publicaties gaan uitgebreid in op de gebruikte data en methodiek, en stellen daarnaast de code beschikbaar, waarmee u zelf een vergelijkbare aanpak kunt toepassen op uw eigen data. Daarnaast werd deze predictietool gebruikt als casus binnen een workshop begeleidingsethiek. Hierover zijn een rapport en een podcast verschenen.

Dank

De ontwikkeling van deze tool was niet mogelijk geweest zonder de financiering vanuit SIDN fonds en ZonMw. We zijn beide organisaties zeer dankbaar voor deze steun.