Als zorgverleners nauwkeurig konden voorspellen hoe hun diensten zouden worden gebruikt, zouden ze grote sommen geld kunnen besparen door geen onnodige middelen te hoeven toewijzen. Diepgaande modellen voor kunstmatige intelligentie kunnen goed zijn in het voorspellen van de toekomst, gezien eerder gedrag, en in Finland gevestigde onderzoekers hebben er een ontwikkeld die kan voorspellen wanneer en waarom ouderen gebruik zullen maken van gezondheidszorg.
Onderzoekers van het Finse Centrum voor Kunstmatige Intelligentie (FCAI), Aalto University, de Universiteit van Helsinki en het Finse Instituut voor Gezondheid en Welzijn (THL) ontwikkelden een zogenaamd risico-aanpassingsmodel om te voorspellen hoe vaak ouderen behandeling zoeken in een gezondheidszorg centrum of ziekenhuis. De resultaten suggereren dat het nieuwe model nauwkeuriger is dan de traditionele regressiemodellen die gewoonlijk voor deze taak worden gebruikt en betrouwbaar kan voorspellen hoe de situatie door de jaren heen verandert.
Risicoaanpassingsmodellen maken gebruik van gegevens van voorgaande jaren en worden gebruikt om zorgfondsen op een eerlijke en effectieve manier toe te wijzen. Deze modellen worden al gebruikt in landen als Duitsland, Nederland en de VS. Dit is echter het eerste proof-of-concept dat diepe neurale netwerken het potentieel hebben om de nauwkeurigheid van dergelijke modellen aanzienlijk te verbeteren.
‘Zonder een model voor risicocorrectie zouden zorgverleners wiens patiënten vaker ziek zijn dan gemiddelde mensen oneerlijk worden behandeld’, zegt Pekka Marttinen , universitair docent aan de universiteit van Aalto en FCAI. Ouderen zijn een goed voorbeeld van zo’n patiëntengroep. Het doel van het model is om rekening te houden met deze verschillen tussen patiëntengroepen bij het nemen van financieringsbeslissingen.
Volgens Yogesh Kumar , de hoofdauteur van het onderzoeksartikel en een promovendus aan de Aalto Universiteit en FCAI, tonen de resultaten aan dat diepgaand leren kan helpen bij het ontwerpen van meer accurate en betrouwbare modellen voor risicocorrectie. ‘Een nauwkeurig model heeft de potentie om miljoenen dollars te besparen’, zegt Kumar.
De onderzoekers trainden het model met behulp van gegevens uit het Register van eerstelijnsgezondheidszorgbezoeken van THL. De gegevens bestaan uit poliklinische bezoekinformatie voor elke Finse burger van 65 jaar of ouder. De gegevens zijn gepseudonimiseerd, wat betekent dat individuele personen niet kunnen worden geïdentificeerd. Dit was de eerste keer dat onderzoekers deze database gebruikten voor het trainen van een diep machine-leermodel.
De resultaten laten zien dat het trainen van een diep model niet noodzakelijkerwijs een enorme dataset vereist om betrouwbare resultaten te produceren. In plaats daarvan werkte het nieuwe model beter dan eenvoudiger, op telling gebaseerde modellen, zelfs wanneer het slechts een tiende van alle beschikbare gegevens gebruikte. Met andere woorden, het biedt nauwkeurige voorspellingen, zelfs met een relatief kleine gegevensset, wat een opmerkelijke bevinding is, omdat het verkrijgen van grote hoeveelheden medische gegevens altijd moeilijk is.
‘Ons doel is niet om het in dit onderzoek ontwikkelde model als zodanig in de praktijk te brengen, maar om kenmerken van diepgaande leermodellen te integreren in bestaande modellen, waarbij de beste kanten van beide worden gecombineerd. In de toekomst is het doel om deze modellen te gebruiken om de besluitvorming te ondersteunen en middelen op een redelijkere manier toe te wijzen ‘, legt Marttinen uit.
De implicaties van dit onderzoek zijn niet beperkt tot het voorspellen hoe vaak ouderen een gezondheidscentrum of ziekenhuis bezoeken. Volgens Kumar kan het werk van de onderzoekers in plaats daarvan op veel manieren worden uitgebreid, bijvoorbeeld door alleen te focussen op patiëntengroepen met de diagnose van ziekten waarvoor zeer dure behandelingen of gezondheidscentra op specifieke locaties in het hele land nodig zijn.
De onderzoeksresultaten zijn gepubliceerd in de wetenschappelijke publicatiereeks Proceedings of Machine Learning Research.