Het personaliseren van zorg wordt in het Nederlandse zorglandschap steeds belangrijker. Met gepersonaliseerde zorg kunnen we beter de juiste zorg op het juiste moment bieden. Verschillende ICT-technieken worden hier al voor ingezet en in de nabije toekomst kunnen we nog veel meer verwachten. Met name de inzet van data en data analytics leidt tot veelbelovende toepassingen om zorg te personaliseren. In dit artikel zetten we er een aantal op een rij en werpen zo een blik op de toekomst van het zorglandschap.
Er wordt op veel plekken al hard gewerkt aan personalisatie van zorg. Personaliseren maakt diagnose en monitoring persoon-specifieker en draagt bij aan de best passende behandeling en medicatie voor de individuele patiënt. Op de lange termijn zal dit ook bijdragen aan de beheersing van de stijgende zorgkosten, immers, behandelingen gaan beter passen bij individuele patiënten en zijn daarmee effectiever.
Volledig gepersonaliseerde zorg is een mooi streven, maar voor het zover is moet er nog heel wat werk verzet worden. Binnen het onderzoek- en innovatieprogramma Commit2Data1 wordt in verschillende projecten gewerkt aan zorgpersonalisatie door middel van data-gebaseerde toepassingen. Dat kan op uiteenlopende manieren: van beslissingsondersteuning voor de arts tot gepersonaliseerd leefstijladvies voor de patiënt, en van ondersteuning bij zelfmanagement tot het personaliseren van protheses.
Samen beslissen
Een juiste inschatting van risico’s helpt artsen en patiënten om samen beslissingen te nemen: data speelt hierbij een waardevolle rol. In het SNOWDROP-project2 onder leiding van Ameen Abu-Hanna (Universiteit van Amsterdam) wordt daarom gewerkt aan technieken om relevante informatie (waaronder vrije tekst) uit het dossier van de patiënt te halen en zo een voorspellingsmodel te ontwikkelen voor valrisico bij ouderen.
Dit project combineert expertise uit de geriatrie, huisartsenpraktijk, medische informatica en communicatiewetenschap: om de ontwikkelde software optimaal in te passen in de bestaande workflow van de zorgverleners én om effectieve manieren te vinden voor communicatie met patiënten.
Serious gaming
Data-onderzoek wordt ook ingezet voor een nieuwe benadering van hardnekkige problemen, zoals het veranderen van leefstijl. Het aanpassen van leefstijl is integraal onderdeel van de aanpak van bijvoorbeeld diabetes, maar voor veel patiënten is dit een complexe opgave. Voor een deel van hen is een ‘droge’ uitleg van zorgverleners bovendien niet effectief.
In het DiaGame-project3 ontwikkelt het team van Natal van Riel (TU Eindhoven) een serious game voor zelfeducatie van mensen met diabetes. Door in het spel te leven met diabetes, leren zij beter om te gaan met hun ziekte. De game is gericht op het veranderen van gewoontes waarvan de gezondheidseffecten wetenschappelijk en klinisch onderbouwd zijn. De motor van het spel is een bestaande simulator. Door het toepassen van data-technieken wordt deze voor elke speler volledig gepersonaliseerd en zo realistisch mogelijk gemaakt. Hierdoor spreekt de game zeer tot de verbeelding van de patiënt en gaat het internaliseren van het geleerde gemakkelijker.
Leren van hersenen
Het ontwikkelen van nieuwe benaderingen is echt pionierswerk. Zo zijn er in de afgelopen jaren grote databanken met hersenscans aangelegd. Deze zouden vervolgens in de psychiatrie gebruikt kunnen worden voor een objectieve diagnose en voor het voorspellen of een patiënt baat heeft bij een bepaalde behandeling. Voordat het zover is, moeten echter wel eerst de juiste analysetechnieken worden ontwikkeld.
Dit gebeurt in het project Deep Learning to extract biomarkers for the diagnosis and personalized treatment of neuropsychiatric disorders4. Onderzoekers van het Amsterdam UMC (geleid door Guido van Wingen) ontwikkelen geavanceerde data-technieken om hersenscans te analyseren. De uitkomsten van deze analyses worden gebruikt om te voorspellen hoe patiënten met ernstige depressie reageren op een specifieke therapie. Hiermee kan vervolgens de best bij een patiënt passende behandeling worden uitgekozen. De nieuwe analysetechnieken kunnen mogelijk ook worden gebruikt om de behandeling van andere psychiatrische aandoeningen te personaliseren.
Implantaten uit 3D-printer
Data mogen dan abstract zijn, sommige toepassingen weten ze letterlijk om te zetten naar tastbare uitkomsten. In het project Accelerating Mass Personalization in Orthopedics facilitated by Machine Learning and Bone MRI-based Digital Fabrication5 werken Peter Seevinck en zijn team in het UMC Utrecht aan de personalisatie van implantaten die onder andere gebruikt worden bij botbreuken.
Door een combinatie van verschillende AI-gebaseerde data-technieken wordt informatie uit MRI-scans gebruikt voor het maken van een synthetische CT-scan. Deze synthetische scan wordt vervolgens bewerkt en gebruikt als input voor een 3D-printer. Zo kunnen gepersonaliseerde botsegmenten, titanium implantaten en instrumenten gemaakt worden, zonder het gebruik van schadelijke straling die nodig is voor een CT-scan. Dit aspect is vooral voor kinderen erg belangrijk. Uiteindelijk draagt deze aanpak bij aan kleinere en eenvoudigere operaties die een snellere genezing en kortere ziekenhuisopname bevorderen.
Veilig en verantwoord
Bij personaliseren met behulp van data komen vanzelf vragen over privacy naar voren. Daarom wordt er in verschillende projecten gewerkt aan de ontwikkeling van technieken om veilig en verantwoord met data om te gaan. In het CARRIER-project6 onder leiding van André Dekker (Maastricht UMC) wordt bijvoorbeeld gewerkt aan algoritmen die leefstijl-interventies ter preventie van hart- en vaatziekten personaliseren. Hiertoe worden data van huisartsen, ziekenhuizen en het CBS gecombineerd.
Het onderzoeksteam maakt gebruik van zogenaamd federatief leren via de zogenaamde Personal Health Train benadering7, waarbij algoritmen naar de data worden gebracht in plaats van data naar de algoritmes. Zo hoeven de data zelf niet te worden gedeeld, maar worden alleen de resultaten van de data-analyses gedeeld. Bovendien passen de onderzoekers methoden toe waardoor ze berekeningen kunnen uitvoeren op versleutelde gegevens zonder deze te decoderen. Tijdens de ontwikkeling van de algoritmen blijft alle data dus versleuteld en wel staan bij de oorspronkelijke beheerder, waardoor privacybescherming gewaarborgd is.
Hoe gaat het verder?
Hoewel volledig gepersonaliseerde zorg nog geen realiteit is, blijkt uit de voorbeelden in dit artikel dat op veel terreinen grote stappen worden gezet. Het onderzoeksprogramma Commit2Data is erop gericht om resultaten van de verschillende projecten te valoriseren richting toepassingen die impact hebben op de dagelijkse zorgpraktijk.
In de toekomst zal een aantal trends uit deze onderzoeksprojecten doorzetten. Data draagt bijvoorbeeld in belangrijke mate bij aan de toenemende focus op preventieve zorg. De mogelijkheden om deze data op een veilige en verantwoorde manier beschikbaar te maken, worden steeds verder ontwikkeld. Dit is van belang voor de productie van geïndividualiseerde protheses, hulpmiddelen en medicatie. Bovendien kunnen nieuwe data-deeltechnieken voor verbindingen tussen verschillende bronnen zorgen, waardoor personalisatie op steeds meer terreinen, integraal, zijn intrede zal doen.
