Veel data, weinig patiënten: hoe Harald Rietdijk complicaties kan voorspellen

Een smartwatch meet je stappen, je hartslag en je slaap. Ziekenhuizen leggen bloedwaarden en testresultaten vast. Toch betekent meer data niet vanzelf betere zorg. Hanze-docent en onderzoeker Harald Rietdijk zocht uit hoe je in een berg gegevens vindt wat er écht toe doet. Op 9 oktober verdedigt hij zijn proefschrift in Parijs.

"Ga nu een koffie halen." Het is het soort berichtje dat je kon krijgen van de Virtual Fitness Coach. Met dit onderzoeksproject wil de Hanze mensen met een zittend beroep stimuleren om meer te bewegen tijdens de werkdag. Hanze-medewerkers kregen een Fitbit die hun stappen bijhield. Op basis van die gegevens voorspelt een computermodel of iemand zijn dagelijkse bewegingsdoel gaat halen. Dreigt dat niet te lukken, dan stuurt het platform een aanmoediging die past bij die persoon en dat moment.

Harald Rietdijk werkt bijna dertien jaar bij de Hanze als docent software engineering. Bij het project raakte hij betrokken omdat hij als docent projecten zocht waar zijn studenten aan konden werken. Zo rolde hij, bijna bij toeval, het onderzoek in.

Een promotieplek in Parijs
Die toevalligheid kreeg vier jaar geleden een vervolg. De Hanze had een samenwerking met ISEP, een ingenieursinstituut in Parijs dat verbonden is aan Sorbonne Université, een van de meest prestigieuze universiteiten ter wereld. Samen wilden de twee instellingen een promotieplek opzetten rond machine learning. Daarbij train je computers om patronen te herkennen in grote hoeveelheden gegevens en op basis daarvan voorspellingen te doen. Voor die plek kwam Harald in beeld.

Veel kolommen, weinig rijen
Het grootste deel van zijn promotie werkte Harald met gegevens uit twee ziekenhuizen. In Nij Smellinghe in Drachten ging het om 109 mensen met een nieuwe knieprothese. Via een enkelband werd hun aantal stappen gemeten. Daarnaast waren gegevens bekend over bijvoorbeeld hun leeftijd, gezondheid en fitheid. De vraag was: kun je voorspellen of iemand binnen zes weken hersteld is en weer volledig aan het werk kan?

In het Isala in Zwolle ging het om ongeveer 400 patiënten met darmkanker die een darmoperatie ondergingen. Daar was de vraag: kun je voorspellen wie na de operatie complicaties krijgt? En kun je daar vooraf iets aan doen, of er in de behandeling rekening mee houden?

Beide datasets hebben hetzelfde probleem: weinig patiënten, maar per patiënt wel zo'n honderd gegevens. Dat klinkt als een rijkdom, maar voor een computermodel is het een valkuil. Met zoveel details kan een model elke patiënt uniek herkennen. Op de bestaande gegevens voorspelt het dan perfect, maar bij een nieuwe patiënt valt de voorspelling meestal tegen. Het model heeft de antwoorden als het ware uit het hoofd geleerd, in plaats van te begrijpen waar het om draait.

Harald ontwikkelde een manier om uit al die gegevens de meest relevante te halen. Bestaande methodes zetten gegevens op volgorde van belang, maar doen dat niet optimaal. Hij bedacht een index die zo'n rangorde een waarde geeft, en gebruikte die om tot een betere rangorde te komen.

De juiste behandeling voor de juiste patiënt
Waarom dat ertoe doet? "In feite is elke behandeling persoonlijk, want je werkt één op één met een patiënt. Maar het heeft pas echt waarde als je ook de juiste handelingen doet. Daar ben ik mee bezig."

Wie weet welke factoren het zwaarst wegen, weet ook waar je iets aan kunt doen. Het heeft weinig zin om een bloedwaarde bij te sturen als die nauwelijks invloed heeft op de uitkomst. In het Isala wordt gewerkt met een behandelprotocol voor de periode voor, tijdens en na de operatie. Na de promotie is het aan het ziekenhuis om te bepalen of ze dat protocol op basis van Haralds inzichten aanpassen.

De methode reikt verder dan knieën en darmen. Harald kreeg een bericht via ResearchGate, een online platform waar wetenschappers hun publicaties delen en met elkaar in contact komen. Het kwam van een onderzoeker die zeldzame ziektes probeert te herkennen. Ook daar speelt hetzelfde probleem: een kleine groep patiënten, heel veel gegevens, en geen idee welke gegevens iets zeggen over de ziekte. De aanpak werkt in principe voor elke dataset met weinig rijen en veel kolommen.

Dat wordt alleen maar belangrijker, nu steeds meer mensen een smartwatch dragen die naast beweging ook hartslag, slaap en zelfs stress meet. "Dat is allemaal leuk en aardig, maar dat maakt het ook weer moeilijker om je model goed te bouwen."

Koffie, code en conferenties
In drie jaar tijd publiceerde Harald acht wetenschappelijke artikelen. Hij presenteerde zijn werk al op conferenties in onder meer Londen, Leipzig en Shanghai. Hoe een gewone onderzoeksweek eruitziet? "Heel veel koffie, heel veel programmeren en heel veel schrijven."

Koffie dus, net als in de coachingsberichten waarmee het allemaal begon. Naast zijn onderzoek bleef Harald lesgeven. Wat hij studenten wil meegeven, is dat ze niet alleen stappen leren uitvoeren, maar begrijpen wat ze doen en waarom.

Een tweede hartaanval zien aankomen
Op 9 oktober presenteert Harald zijn onderzoek veertig minuten lang aan een jury van acht -professoren, waaronder zijn Hanzebegeleiders Talko Dijkhuis, Rix Groenboom en Hilbrand Oldenhuis. Daarna gaat hij verder met het CardioHUB, een project gericht op hartpatiënten. Het idee is om beter te voorspellen wanneer iemand opnieuw hartfalen krijgt, zodat dat voorkomen kan worden. Er doen vijftig patiënten mee, met heel veel gegevens per persoon. Het is precies het soort situatie waarvoor Harald zijn methode ontwikkelde.

Hij weet waarom dat nodig is. Als iemand een tweede hartaanval krijgt, bespreken artsen in het ziekenhuis achteraf wat er is gebeurd. "En dan blijkt soms: dat hadden we aan zien kunnen komen."

Dat is uiteindelijk waar zijn onderzoek om draait. Het probleem is niet dat er te weinig data zijn, maar dat de belangrijkste signalen verdwijnen tussen al die andere gegevens.