Onvoldoende bewijs of combinaties van medicijnen veilig zijn
Door de vergrijzing stijgt het aantal mensen met meerdere chronische aandoeningen. Deze patiënten slikken vaak meerdere geneesmiddelen tegelijk. Medicijnen worden wel altijd getest op veiligheid en effectiviteit, maar niet bij patiënten die al meerdere andere medicijnen slikken. De richtlijnen over het omgaan met een medicijn houden dus geen rekening met die patiënten, met alle risico’s (bijwerkingen) van dien. Na introductie worden bijwerkingen geregistreerd en van tijd tot tijd is er nieuw onderzoek. Maar het duurt lang, vaak heel lang, voordat die nieuwe gegevens leiden tot conclusies en vervolgens een aanpassing van de richtlijnen. Vooral voor patiënten met meerdere chronische aandoeningen is dat een risico.
Sneller inzicht en richtlijnen versneld aanpassen
Hoogleraar Cornelis Boersma: 'Het mooie van dit systeem is dat het continu gevoed wordt met de kennis uit de wetenschappelijke literatuur en met de data uit de dagelijkse praktijk, namelijk de data uit de elektronische patiëntendossiers (EPD). Het is een zelflerend systeem dat op basis van die data heel snel leert wat effectief én veilig is. Dat maakt het mogelijk om sneller conclusies te trekken over de medicatieveiligheid en -effectiviteit. Dat is met name van belang voor patiënten met meerdere aandoeningen die meerdere medicijnen tegelijk slikken.' Het project richt zich in eerste instantie op patiënten met chronische nierziekten, omdat zij vaak ook andere chronische ziekten hebben én extra kwetsbaar voor bijwerkingen. Boersma: 'Het zelflerende systeem zorgt ervoor dat kennis over veiligheid en effectiviteit veel sneller beschikbaar is. Hopelijk komt dan ook het proces van aanpassen van behandelrichtlijnen in een stroomversnelling, zodat patiënten met meerdere chronische aandoeningen veiliger en effectiever behandeld worden.'
Elektronisch patiëntendossiers optimaal benutten
Door de inzet van 'machine learning' - een vorm van kunstmatige intelligentie - worden de gegevens uit de elektronisch patiëntendossiers (EPD) optimaal benut. Het zelf lerende medicatieveiligheidssysteem produceert op basis van gegevens van individuele patiënten nieuwe kennis, waar vervolgens alle patiënten van profiteren. Boersma: 'Het systeem ziet heel snel wat goed gaat en wat beter kan. Dat leidt tot adviezen voor de hele groep patiënten. Niet tot een advies voor de individuele patiënt, want we werken natuurlijk met geanonimiseerde gegevens. Idealiter komt het zover dat het platform een seintje geeft aan een informatiebron als een behandeladvies verandert. De specialist moet dat dan oppakken voor de individuele patiënt. Nog mooier zou het zijn als behandelaars het platform kunnen gebruiken om hun behandeling direct af te stemmen op de individuele patiënt. Maar dat is nog verre toekomstmuziek.'
NWO-subsidie voor technologische doorbraken
Het project heeft de naam LEAPfROG gekregen (letterlijk vertaald: haasje-over). LEAPfROG staat voor LEveraging real-world dAta to optimize PharmacotheRapy outcomes in multimOrbid patients by using machine learning and knowledGe representation methods. De rol van de Open Universiteit (faculteit Managementwetenschappen) ligt met name op het technologische vlak: hoe lever je de data van de EPD’s en uit de wetenschappelijke literatuur zó aan, dat het platform ermee aan de slag kan. En vervolgens speelt de Open Universiteit een rol bij het opschalen en verder ontwikkelen van het platform. NWO ruim financiert het project met 1,6 miljoen vanuit het onderzoeksprogramma Sleuteltechnologieën. De Nierstichting draagt 100.000 euro bij aan het project vanuit het Pionier+ programma voor cofinanciering. Het project gaat vijf jaar lopen. Amsterdam UMC is de trekker van het project.
