Tijdens de EY Data Science & Health Hackathon heeft een multidisciplinair team van data scientists en health specialisten zichzelf de vraag gesteld of op basis van beschikbare patiëntdata voorspeld kan worden hoe groot de kans is dat een patiënt een heropname krijgt. Met behulp van een ziekenhuis dataset heeft het team tijdens de hackathon een voorspellend AI (Artificial Intelligence) model ontwikkeld om dit probleem aan te pakken.

Voorkom zo veel mogelijk heropnames

Het voorspellen van potentiële heropnames kan erg nuttig zijn. Heropnames zijn vervelend voor de patiënt en hun naasten en zijn duur voor het ziekenhuis. Heropname binnen 30 dagen is ook een belangrijke indicator om de kwaliteit van zorg in een ziekenhuis te meten. Hoe lager het aantal heropnames binnen 30 dagen, hoe hoger de kwaliteitsscore van het desbetreffende ziekenhuis, wat de patiënt uiteindelijk ten goede komt: deze kan immers een betere keuze maken in welk ziekenhuis hij een behandeling wil plannen. Bovendien is de capaciteit in ziekenhuizen beperkt en moeten artsen dagelijks beslissen welke patiënten ontslagen kunnen worden.

Een beslismodel gebaseerd op artificial intelligence helpt deze dagelijkse beslissingen adequaat te nemen en zo vermijdbare heropnames te voorkomen.

In 86% van de gevallen een correcte voorspelling

Er is gebruik gemaakt van een database met geanonimiseerde medische gegevens. Deze bevat gedetailleerde gegevens van meer dan 30.000 patiënten over een periode van 10 jaar. Vanuit deze database is een selectie gemaakt van relevante indicatoren, zoals:

• Demografisch: leeftijd, geslacht.
• Laboratorium resultaten: ureum, bloedplaatjes, magnesium, albumine, calcium, glucose.
• Vitale parameters: ademhalingsfrequentie, hartslag, bloeddruk, lichaamstemperatuur.
• Samengevoegde scores: SAPS-II, SOFA.

Deze indicatoren zijn met behulp van programmeertaal Python samengevoegd en in een voorspelmodel gebruikt om heropname te voorspellen. Het model bleek al meteen tijdens de hackathon in 86% van de gevallen heropnames goed te voorspellen. Met meer data en meer tijd kan het model verder geoptimaliseerd worden om de nauwkeurigheid van de voorspellingen nog te verhogen.

Multi-inzetbaar model door gespecialiseerde kennis

Het gebruikte AI model is zodanig opgezet dat deze opnieuw gebruikt kan worden. Afhankelijk van de beschikbare data en de wens van de zorginstelling kan de heropnamekans per afdeling of specialisme worden voorspeld. Daarnaast kan het model ook ziekenhuisbreed worden ingezet. Met de data scientists van EY VODW en de health specialisten van EY combineren wij technische en sector-inhoudelijke kennis en zijn wij in staat samen tot nieuwe inzichten te komen die de zorg verder verbeteren.  

De uiteindelijke beslissing wanneer een patiënt ontslagen mag worden laten wij aan de artsen over, maar wij ondersteunen hen graag met een algoritme voor betere besluitvorming!