Als zorgverleners nauwkeurig konden voorspellen hoe hun diensten zouden worden gebruikt, ze zouden grote sommen geld kunnen besparen door niet onnodig geld te hoeven toewijzen. Deep learning kunstmatige-intelligentiemodellen 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 gezondheidszorg zullen gebruiken.

Onderzoekers van het Finse Centrum voor Kunstmatige Intelligentie (FCAI), Aalto-universiteit, de Universiteit van Helsinki, en het Finse Instituut voor Gezondheid en Welzijn (THL) ontwikkelde een zogenaamd risicoaanpassingsmodel om te voorspellen hoe vaak ouderen zich laten behandelen in een gezondheidscentrum of ziekenhuis. De resultaten suggereren dat het nieuwe model nauwkeuriger is dan traditionele regressiemodellen die gewoonlijk voor deze taak worden gebruikt, en kan betrouwbaar voorspellen hoe de situatie door de jaren heen verandert.

Risicoaanpassingsmodellen maken gebruik van gegevens uit voorgaande jaren, en worden gebruikt om zorggelden op een eerlijke en effectieve manier toe te wijzen. Deze modellen worden al gebruikt in landen als Duitsland, Nederland, en de VS. Echter, dit is het eerste proof-of-concept dat diepe neurale netwerken het potentieel hebben om de nauwkeurigheid van dergelijke modellen aanzienlijk te verbeteren.

"Zonder een risicoaanpassingsmodel, zorgverleners van wie de patiënten vaker dan gemiddeld ziek zijn, zouden oneerlijk worden behandeld, "Pekka Marttinen, Universitair docent aan de Aalto University en FCAI zegt. Ouderen zijn een goed voorbeeld van zo'n patiëntengroep. Het doel van het model is om bij het nemen van financieringsbeslissingen rekening te houden met deze verschillen tussen patiëntengroepen.

Volgens Yogesh Kumar, de hoofdauteur van het onderzoeksartikel en een promovendus aan de Aalto University en FCAI, de resultaten laten zien dat deep learning kan helpen bij het ontwerpen van nauwkeurigere en betrouwbaardere modellen voor risicoaanpassing. "Het hebben van een nauwkeurig model kan enkele miljoenen dollars besparen, ' merkt Kumar op.

De onderzoekers trainden het model met behulp van gegevens uit het Register Bezoeken Eerstelijnsgezondheidszorg van THL. De gegevens bestaan ​​uit informatie over poliklinische bezoeken 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 diepgaand machine learning-model.

De resultaten laten zien dat het trainen van een diep model niet per se een enorme dataset vereist om betrouwbare resultaten te produceren. In plaats daarvan, het nieuwe model werkte beter dan eenvoudiger, op tellingen gebaseerde modellen, zelfs wanneer het gebruik maakte van slechts een tiende van alle beschikbare gegevens. Met andere woorden, het biedt nauwkeurige voorspellingen, zelfs met een relatief kleine dataset, 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 deep learning-modellen te integreren in bestaande modellen, de beste kanten van beide combineren. In de toekomst, het doel is om deze modellen te gebruiken om de besluitvorming te ondersteunen en middelen op een meer redelijke manier toe te wijzen, ’ legt Martijnen uit.

De implicaties van dit onderzoek beperken zich niet tot het voorspellen hoe vaak ouderen een gezondheidscentrum of ziekenhuis bezoeken. In plaats daarvan, volgens Kumar, het werk van de onderzoekers kan gemakkelijk op vele manieren worden uitgebreid, bijvoorbeeld, door zich alleen te richten op patiëntengroepen die gediagnosticeerd zijn met ziekten die zeer dure behandelingen vereisen of gezondheidscentra op specifieke locaties in het land.

De onderzoeksresultaten zijn gepubliceerd in de wetenschappelijke publicatiereeks van Proceedings van Machine Learning Research .