Bijdragen aan project herstelpatronen van COVID-19 patiënten na ziekenhuisopname?

26 mei 2020
Graag uw aandacht voor onderstaand project. Het beloop van de revalidatie voor COVID-19 patiënten na opname in het ziekenhuis is ongewis. We kennen de lange termijn gevolgen van een doorgemaakte virusinfectie nog onvoldoende en dat betekent dat het moeilijk is om adequate keuzes te maken in de revalidatie.

Versneld inzicht in de herstelpatronen van COVID-19 patiënten na ziekenhuisopname

Een consortium onder leiding van Amsterdam UMC heeft het initiatief genomen om door middel van artificial intelligence technieken (tekstmining) versneld inzicht te krijgen in de herstelpatronen van COVID-19 patiënten na ziekenhuisopname zodat voor individuele patiënten wel goede revalidatie strategieën opgesteld kunnen worden.
Het succes van dit project hangt af van de mate waarin tekstdata verzameld kan worden uit de verschillende behandelfasen van de revalidatie, vanaf de ziekenhuisopname, via het revalidatiecentrum of verpleeghuis naar de fysiotherapeut in de wijk en de huisarts. Graag betrekken we uw zorgorganisatie ook bij dit project en dat betekent: Schat u in dat uw organisatie bereid is om tekstdata van COVID-19 patiënten die onder behandeling zijn geweest te delen voor dit doel? Voor de duidelijkheid, het gaat om alle data van de patiënt en niet alleen die van de fysiotherapie.
Dit project heeft inmiddels een subsidie van het Corona Research Fond en een aanvraag is ingediend bij ZonMw.

Samenvatting project

Titel
Automated prediction of post-COVID recovery of functioning to support rehabilitation interventions

Onderzoeksvraag
Hoe verloopt het herstel van het functioneren van COVID-19 patiënten, tijdens en na een ziekenhuisopname, op basis van automatisch geanalyseerde tekstdata uit Elektronische Patiënten Dossiers (EPD's)? Welke factoren zijn voorspellend voor het herstel? Op welke wijze kan geautomatiseerde herkenning en voorspelling van herstel gebruikt worden als  klinische beslismodel in het revalidatieproces van COVID-19 patiënten?

Urgentie
COVID-19 is een nieuwe ziekte met nog veelal onbekende en mogelijk grote gevolgen op alle domeinen van het functioneren. Een snel en accuraat inzicht in het functioneren, het beloop en de voorspellers daarvan is van groot belang voor het in vroeg stadium inzetten van passende en gepersonaliseerde revalidatie. Het voorspellen van toekomstig functioneren vereist gebruik van nieuwe technieken gebaseerd op artificial intelligence.

Hypothese
Door gebruik te maken van tekst-mining technieken op een grote hoeveelheid EPD data,  vooral bestaand uit notities van het zorgpersoneel, kan snel inzicht worden verkregen in het beloop van het herstel van het functioneren en de factoren die dit herstel beïnvloeden. De koppeling aan door patiënten geprioriteerde categorieën van de International Classification of Functioning, Disability and Health (WHO), maakt het mogelijk patronen van herstel geautomatiseerd te herkennen en op basis hiervan een klinisch en patiënt specifiek beslismodel te ontwikkelen.[1] 

Plan van aanpak
Binnen het technisch werkpakket (WP1) wordt een taalmodel gemaakt om rapportages in EPDs automatisch te kunnen lezen en analyseren. Dit model wordt vervolgens getraind om voor patiënten relevante ICF codes en levels te herkennen en voorspellen. Binnen het klinische werkpakket (WP2) wordt op basis van de herstelpatronen die bepaald zijn in WP1, factoren geïdentificeerd die het herstel van het functioneren beïnvloeden (analyse). Het automatisch herkennen, voorspellen en analyseren van herstelpatronen vormt de basis voor een klinisch beslismodel voor de revalidatie. De juiste inpassing hiervan in de klinische praktijk wordt bepaald in samenspraak met zorgprofessionals en patiënten. 

Dataopslag en beveiliging

Tekstdata bevat veelal naar de patient herleidbare gegevens en dat maakt het privacy risico groot. Om deze reden werken we in dit project samen met het NIVEL. Zij maken gebruik van een geavanceerde versleutelingstechniek voor het BSN wat er voor zorgt dat dit nooit meer herleidbaar is naar de patient, maar het wel mogelijk maakt dat de data van de patiënt uit de verschillende fasen van de revalidatie koppelbaar is met elkaar. Vervolgens heeft het NIVEL software ontwikkeld dat in staat is om de teksten te schonen voor persoonsgegevens.

Ten slotte hebben de verschillende bewerkingen van de tekstminingswetenschappers tot gevolg dat alleen zogenaamde labels en metadata overblijft. De labels slaan op ICF coderingen en met metadata wordt bedoeld de tijd dat een patiënt opgenomen was, welke medische voorgeschiedenis ed.
Voorts is NIVEL NEN7510 en ISO27001 gecertificeerd en wordt met hen een verwerkersovereenkomst gesloten terwijl met jullie als data leverend centrum een datasharing-overeenkomst afgesloten wordt. Alle onderzoekers komen in dienst van Amsterdam UMC, waarmee zij gehouden zijn aan alle rechten en plichten die verband houden met het bewaken van de privacy van patiënten. De METc heeft voor deze procedure inmiddels zijn goedkeuring gegeven.
 

Vragen?

We realiseren ons dat dit veel informatie is, maar hopen dat we met deze mail u hebben kunnen overtuigen van de urgentie en noodzaak van dit project en dat we daarnaast alle mogelijke voorzorg hebben genomen om te waarborgen dat jullie data veilig wordt verwerkt door ons.

Vooralsnog is een reactie per mail voldoende. Pas als we de subsidie daadwerkelijk krijgen is een schriftelijke bevestiging aan de orde. U krijgt dan ook gedetailleerde informatie. Projectleider is Edwin Geleijn (e.geleijn@amsterdamumc.nl). Voor eventuele vragen kunt u bij hem terecht.


Vriendelijke groet,
Namens de projectgroep,
Marc Rietberg, paramedisch manager Amsterdam UMC 
 

Trefwoorden: