Een geautomatiseerd klinisch beslissingsondersteunend systeem met betere interpretatie

Een Clinical Decision Support System (CDSS) is een systeem dat gezondheidsgegevens analyseert om datagestuurde oplossingen of suggesties te bieden die clinici of andere gezondheidswerkers kunnen helpen bij het nemen van beslissingen. Er zijn hoofdzakelijk twee soorten CDSS, namelijk op kennis gebaseerd en niet op kennis. Op kennis gebaseerde CDSS slaat een reeks vooraf gedefinieerde regels op om beslissingen te nemen op basis van medische expertise, terwijl niet-op kennis gebaseerde CDSS kunstmatige intelligentie, machine learning-modellen of statistische methoden gebruikt om de computerprogramma’s te trainen op basis van ervaringen uit het verleden en patronen te ontdekken of regels uit klinische gegevens. Hoewel recentelijk een snelle groei in het gebruik van niet-op kennis gebaseerde CDSS kan worden waargenomen, staan ze nog steeds voor de uitdaging van interpreteerbaarheid en klinische relevantie, aangezien veel machine learning-methoden black-box-methoden zijn, waardoor het moeilijk is om klinisch zinvolle interpretaties te geven. voor de resultaten. Dit is de barriere die moet worden overwonnen voor de wijdverbreide niet-op kennis gebaseerde CDSS.

Dit proefschrift presenteert een CDSS met betere interpreteerbaarheid en klinische relevantie, die een volledig proces van klinische besluitvorming omvat, inclusief het opschonen van gegevens, identificatie van ziekterisicofactoren, ziektediagnose en -voorspelling, analyse van ziektesequentieen de systeemarchitectuur van een CDSS-implementatie. We hebben een geautomatiseerde methode voor het opschonen van gegevens voorgesteld, waarbij de klinische kennis is toegepast om de gegevens van de elektronische medische dossiers die zijn verzameld tijdens dagelijkse raadplegingen, te reinigen. Deze methode verminderde de handmatige inspanningen aanzienlijk en verbeterde de tijdsefficiëntie, zonder een significant verlies aan nauwkeurigheid en volledigheid. Vervolgens hebben we een ensemblekenmerkselectiekader voorgesteld om risicofactoren voor chronische ziekten te identificeren. De heterogeen gedistribueerde implementatie en de nieuwe stemstrategie om de resultaten te combineren, hebben geleid tot een reeks door algoritmen geïdentificeerde risicofactoren met een betere interpreteerbaarheid en klinische relevantie. We bespraken ook de prognostische modellen voor het voorspellen van chronische ziekten. De onevenwichtige datastructuur en de effecten ervan op de voorspellende prestatie werden niet voldoende besproken in eerdere studies naar prognostische modellen voor ziektevoorspelling. We presenteerden een nieuwe bemonsteringsmethode die zou kunnen helpen om de positieve gevallen nauwkeurig te identificeren en stelden de evaluatiemaatregelen voor met als straf vals positief. Bovendien hebben we bij het bestuderen van multimorbiditeit voor het eerst rekening gehouden met de volgorde van ontwikkeling. We stelden Markov-ketenanalyse en Weighted Association Rules Mining voor, die nog nooit eerder voor het onderwerp multimorbiditeit werden gebruikt. Ten slotte presenteren we de systeemarchitectuur van een CDSS van MIDAS-project, dat de mogelijkheid toonde om gegevens uit meerdere bronnen te integreren en verschillende soorten analytische tools
te bieden om besluitvorming te ondersteunen.

Samenvattend hebben we een CDSS voorgesteld die klinisch relevante resultaten zou kunnen opleveren met een betere interpreteerbaarheid voor clinici of andere gezondheidswerkers die niet bedreven waren in machine learning-methoden. De CDSS zou hen kunnen helpen bij vele stappen van klinische besluitvorming, zoals risicofactorselectie, ziektediagnose envoorspelling, en ziektesequentieonderzoek. De CDSS was een geïntegreerde oplossing en bij de ontwikkeling en implementatie werd goed nagedacht over automatisering en privacybescherming.