Ronde 2 parallelsessie

Inleiding

In de gezondheidszorg worden geneesmiddelen voornamelijk gedoseerd op basis van generieke startdoseringen of instelprotocollen. Voor de meeste patiënten is dit ontoereikend en is het vinden van de juiste gepersonaliseerde dosering op basis van effect en bijwerkingen een tijdrovend en kostbaar proces. Machine learning-algoritmes kunnen op basis van relevante variabelen uit een patiëntendatabase voor iedere patiënt een gepersonaliseerd doseringsadvies maken. We stelden een framework op voor het gestandaardiseerd en efficiënt ontwikkelen van zo’n algoritme. Dit framework pasten we toe op levothyroxine, gezien de hoge prevalentie van schildklierproblemen en de vaak lange en arbeidsintensieve instelperiode, met behulp van een bestaande database van een huisartsennetwerk.

Onderzoeksvraag

Welke regulier verzamelde patiëntkarakteristieken zijn voorspellend voor de uiteindelijke stabiele dosis levothyroxine en is een machine learning-model in staat om op basis hiervan gepersonaliseerde dosisvoorspellingen te doen?

Methode

Uit de database van het Academisch Huisartsennetwerk Nijmegen bouwden we een dataset met regulier verzamelde medische gegevens van 462 patiënten. We definieerden een binaire doelvariabele voor het probleem: een stabiele dosis levothyroxine kleiner of gelijk aan 75 µg of groter dan 75 µg. Een stabiele dosis was gedefinieerd als dezelfde voorgeschreven dosis langer dan 180 dagen. Op basis van medische en farmacologische kennis selecteerden we potentiële voorspellende kenmerken. In een vergelijking van verschillende classificatiemodellen beoordeelden we de voorspellende waarde van deze kenmerken, die we vervolgens individueel analyseerden op basis van voorspelkracht, verdeling van de data en vakinhoudelijke kennis. We ontwikkelden tot slot een voorstel voor beslissingsondersteunende software: een dashboard (computerprogramma) waarin zowel de modelvoorspellingen als de dosering die het standaard instelprotocol voorschrijft worden getoond en worden toegelicht aan de hand van de individuele kenmerken van de patiënt in de spreekkamer.

Resultaten

In de gehele dataset was de gemiddelde instelduur tot de stabiele dosering 199 dagen. Voor de patiëntgroep die een stabiele dosering >75 µg had (36% van het totaal) was de gemiddelde instelduur 262 dagen. Verschillende modellen werden getraind op de medische data van 462 patiënten. De Random Forest Classifier (RFC) en Logistic Regression Classifier (LRC) presteerden vergelijkbaar (area under the curve [AUC] respectievelijk 0,72 en 0,74). Het logistische regressiemodel werd geselecteerd gezien de superieure uitlegbaarheid. Fine-tuning van dit model resulteerde in een model met de vier verklarende variabelen met de hoogste voorspelkracht: TSH, fT4, leeftijd en gewicht. Meerdere co-medicaties leken een effect op de levothyroxinedosis te hebben, voornamelijk protonpompremmers. De dataset bevat echter te weinig waarnemingen om zeker te zijn van dit effect van co-medicatie.

Conclusie

Met gebruik van retrospectieve data uit de huisartsenpraktijk kan middels een gestandaardiseerd framework een voorspelmodel voor levothyroxine ontwikkeld worden, dat in staat is om een hoge of lage dosering te voorspellen met redelijke voorspelkracht. Voor de uiteindelijke stabiele dosering levothyroxine zijn de diagnostische waardes van TSH en FT4 het meest voorspellend, terwijl deze niet gebruikt worden in het NHG-instelprotocol. Toekomstige studies kunnen deze bevindingen repliceren, het effect van co-medicatie valideren en het framework toepassen op andere medicijnen in een andere context.

De studie is reeds afgerond en voor de studie is huisartsendata gebruikt.