Federale kunstmatige intelligentie in big data en gezondheidszorg in een praktische omgeving

Multiple sclerose (MS) is een ontstekingsaandoening van de hersenen en het ruggenmerg, waarbij het immuunsysteem van het lichaam zijn eigen centrale zenuwstelsel (CZS) ten onrechte aanvalt en variabele en onvoorspelbare symptomen veroorzaakt. Enkele voorbeelden van klinische symptomen zijn onduidelijke spraak, wazig zien, evenwichtsverlies, slechte coördinatie, tremoren, gevoelloosheid, extreme vermoeidheid, problemen met geheugen en concentratie, verlamming en blindheid. MS treft meer dan 700.000 mensen die in Europa wonen, twee tot drie keer zoveel vrouwen als mannen, en wordt meestal gediagnosticeerd bij mensen in de leeftijd van 20-40 jaar. MS varieert in ernst, van milde symptomen tot een invaliderende aandoening. De totale kosten van MS in Europa voor gezondheidszorg en sociale zorg worden geschat op 15 miljard euro per jaar (Kobelt, Thompson et al. 2017). Het beheer van MS-ziekten omvat een breed scala aan geneesmiddelen met verschillende werkingswijzen, evenals een breed spectrum van voorgestelde revalidatiestrategieën, resulterend in verschillende niveaus van werkzaamheid die zorgvuldige monitoring vereisen. Tegenwoordig is ziektebeheer van mensen met MS (PwMS) gebaseerd op inzichten verkregen uit populatiegebaseerde studies. Tot op heden zijn 14 DMT's goedgekeurd voor relapsing-remitting MS op basis van hun werkzaamheid in gerandomiseerde gecontroleerde onderzoeken (RCT's). RCT's worden geaccepteerd als de gouden standaard voor het beoordelen van de werkzaamheid en veiligheid van elk nieuw medicijn en worden uitgevoerd in een gecontroleerde omgeving met goed gedefinieerde homogene patiëntenpopulaties geselecteerd door strikte inclusiecriteria. Deze cohorten vertegenwoordigen niet noodzakelijkerwijs MS in het echte leven en conclusies uit deze RCT's vertalen zich daarom niet altijd naar de individuele patiënt. Krachtige MS-specifieke beslissingsondersteunende systemen zijn nodig ter ondersteuning van de besluitvorming over behandeling door neurologen en regulatoren (= de juiste DMT voor de juiste patiënt). De tijd die nodig is om de bijpassende DMT te vinden voor een bepaald PwMS is nog steeds grotendeels gebaseerd op vallen en opstaan in de klinische praktijk. Bovendien kan een behandeling die aanvankelijk bevredigend was, uiteindelijk ineffectief worden vanwege ziekteprogressie. Vertragingen bij het identificeren van behandelingsfalen en bij het selecteren van een geschikte volgende-lijn DMT zullen de kwaliteit van leven van patiënten verder verslechteren. Real-world data (RWD) worden gedefinieerd als gegevens die zijn afgeleid van een aantal bronnen die zijn geassocieerd met uitkomsten in een heterogene patiëntenpopulatie die de real-world instellingen representeert (bijvoorbeeld gegevens verzameld door artsen in standaard klinische zorg en longitudinale follow-up) (Trojano, Tintore et al. 2017). Ondanks de toenemende afhankelijkheid van RWD, bestaan er uitdagingen en beperkingen die het genereren, verzamelen en gebruiken van deze gegevens bemoeilijken. Ten eerste zijn datapunten meestal niet gelijkmatig verdeeld in de tijd, omdat medische afspraken niet met een constante snelheid worden gepland. Dit breekt een typische veronderstelling af die in veel gebruikelijke modelleringstechnieken wordt gebruikt. Ten tweede bevatten RWD-waarnemingen doorgaans een groot deel van de niet-gemeten gegevens. Inderdaad, niet alle variabelen worden gemeten bij elke (klinische) afspraak, wat leidt tot nauwelijks waargenomen tijdreeksen (bijv. Typisch magnetische resonantie beeldvorming (MRI) wordt eenmaal per jaar gemeten, terwijl sommige neurologen elektrofysiologische responsen elke 3 maanden meten). Bovendien wordt verwacht dat het observatiepatroon op zichzelf informatief is, omdat het direct de medische praktijk van de neuroloog weerspiegelt (bijvoorbeeld, een frequentere meting van MRI kan de bezorgdheid van een neuroloog voor het verschijnen van nieuwe hersenletsels weerspiegelen en dus worden geassocieerd met een hogere kans op nieuwe hersenletsels). Ten derde bestaan de gegevens meestal uit een combinatie van gebeurtenissen en continue metingen (bijvoorbeeld 'terugval' versus 'invaliditeitsscores'). Ten slotte, omdat we gegevens uit minder gecontroleerde omgevingen beschouwen, zijn metingen gevoeliger voor ruis en onjuiste codering. Communautaire inspanningen worden ondernomen om beslissingsondersteunende systemen voor DMT-effectiviteit op patiëntniveau te ontwikkelen, maar de bestaande hulpmiddelen of algoritmen omvatten niet het effect van DMT's (Daumer, Neuhaus et al. 2007, Galea, Lederer et al. 2013, Signori, Izquierdo et al. 2017) of ze voorspellen alleen kortetermijnresponsen (bijv. 6 maanden) met beperkte precisie en grote betrouwbaarheidsintervallen (Kalincik, Manouchehrinia et al. 2017). De meeste recente werken extraheren handmatig tijdelijke functies, zoals minimale uitgebreide invaliditeitsscore (EDSS) of aantal terugvallen in het afgelopen jaar, zonder ooit rekening te houden met het fundamentele verschil dat ontstaat bij het observeren van het volledige patiënttraject. Het is echter bekend dat medische progressie bij MS van het grootste belang is voor klinische beslissingen (Signori, Izquierdo et al. 2017).Recent werk van onze groep toont aan dat de introductie van methoden voor machinaal leren die rekening houden met het volledige patiënttraject, de voorspellingen van progressie van invaliditeit bij MS verbetert. Met behulp van volledige medische trajecten van meer dan 9.000 patiënten met MS, konden we de ziekteprogressie nauwkeuriger voorspellen dan eerdere pogingen om de ziekte uit te voeren. Door het modelleren van de volledige patiëntgeschiedenis in plaats van tijdelijke samenvattingstatistieken, bereikte onze methode een AUC van 0,85 voor de achteruitgang van de patiënt in de komende 2 jaar met een observatieperiode van 3 jaar. Om algoritmen te ontwikkelen die nauwkeurig en nauwkeurig genoeg zijn om inzichten op individueel niveau te bereiken, is een uitgebreide hoeveelheid gegevens vereist. Het gebruik van een combinatie van zeer grote en geschikte bestaande cohorten en / of register kan sommige van de statistische beperkingen van RWD overwinnen (= ’scale-up’). Gegevens delen en opschalen van gezondheidsgegevensonderzoek is niet eenvoudig. Beleid voor het delen van gegevens moet berusten op kennis van hoe gegevens worden gedeeld en hoe eindgebruikers gegevens gebruiken die met hen zijn gedeeld. Hier stellen we voor om een federatieve kunstmatige intelligentiebenadering te introduceren om gegevenssets te combineren. Federale kunstmatige intelligentie geeft de verdeling van de leerinspanning over fysiek gescheiden partners aan. Dit gaat verder dan het momenteel meer gevestigde concept van 'federatieve databases' waar de gegevens worden gedistribueerd, maar niet het leren van de gegevens. Het is belangrijk om bewaardercontrole over gegevens tijdens het leren mogelijk te maken. In dit project zal het belang van federatieve kunstmatige intelligentie voor MS-patiënttrajecten worden aangetoond.