AI-based diuretic self-therapy in heart failure
Hartfalen (HF) wordt gekenmerkt door perioden van plotselinge verslechtering van symptomen, wat vaak leidt tot ziekenhuisopnames. Om dit te voorkomen, kunnen HF-patiënten op afstand digitaal worden gecontroleerd. Aanpassingen van de therapie worden echter uitgevoerd door zorgverleners en zelfzorg is beperkt.
Het creëren van een decision support system zoals beschreven als doel van dit project is tot op zekere hoogte gelukt, echter niet volledig volgens initieel plan. In plaats van het voorspellen van de vullingsstatus van de patiënt, is geprobeerd een model te creëren dat in staat was om de keuzes van clinici ten aanzien van hun beleid naar de patiënt te voorspellen. Middels deze aangepaste techniek zijn de onderzoekers in staat geweest een model op te zetten dat deze keuzes kan voorspellen. Er worden aanvullende stappen genomen om alsnog toe te werken naar een grote impact. Daarnaast zijn voor de kliniek belangrijke nevenbevindingen gedaan die dankzij dit project verder op kunnen worden gevolgd.
Verslagen
Eindverslag
Het creëren van een decision support system zoals beschreven als doel van dit project is tot op zekere hoogte gelukt, echter niet volledig volgens initieel plan. Het doel is uiteindelijk vanuit een andere hoek benadered. Het maken van een systeem dat op basis van een Bayesian network kon voorspellen of een patiënt “overvuld” was, zoals dit vooraf bedacht was, is na vele pogingen niet succesvol gebleken. Hierna is een nieuwe tactiek gehanteerd. In plaats van het voorspellen van de vullingsstatus van de patiënt, is geprobeerd een model te creëren dat in staat was om de keuzes van clinici ten aanzien van hun beleid naar de patiënt te voorspellen. Middels deze aangepaste techniek zijn ze in staat geweest een model op te zetten dat deze keuzes kan voorspellen. Er worden aanvullende stappen genomen om alsnog toe te werken naar een grote impact. Daarnaast zijn voor de kliniek belangrijke nevenbevindingen gedaan die dankzij dit project verder op kunnen worden gevolgd.
De volgende bevindingen/resultaten zijn gebleken uit dit project:
- Het opzetten van een beslissingsmodel met voorspellingen op basis van een Bayesian network is mogelijk niet de meest geschikte techniek voor deze categorie patiënten.
- Een model op basis van logistische regressie is in staat om behandelbeslissingen van clinici correct te voorspellen.
- Op basis hiervan is het gelukt om algoritmen te ontwikkelen welke hartfalen voorspellen en welke gebruikt gaan worden in een app om patiënten te monitoren en later ook middels diuretica (middelen die de afgifte van water door de nieren bevorderen) te behandelen.
Nevenbevinding: de analyse van de data laat zien dat een “downtitratie” van de diuretica in 1/3 van alle gevallen binnen 7-30 dagen wordt opgevolgd door een verhoging van de dosis of een klinisch event (ziekenhuisopname of dood). Deze bevinding is nieuw en kan voor de klinische zorg belangrijke consequenties hebben; met name aangezien de huidige richtlijnen adviseren om te verlagen indien mogelijk. De bevindingen van dit project laten zien dat dit niet altijd de beste strategie is. Volgende stappen zijn het inventariseren van de consequenties van deze bevinding en het identificeren welke patiënten 'at risk' zijn.
Alle bevindingen zullen worden gepubliceerd. Momenteel wordt gewerkt aan 2 publicaties. Deze zullen begin volgend jaar worden ingediend.