Betere schatting van behandeleffect in oncologische zorg met Bayesiaanse netwerken
Bayesiaanse netwerken vergroten toepassingsmogelijkheden van NKR-data
Innovatieve analysemethoden voor optimaal gebruik van NKR-data
Het onderzoek heeft geleid tot drie belangrijke methodologische innovaties:
- Identificatie en correctie van confounders: Door het toepassen van Bayesiaanse netwerken kunnen verstorende variabelen in observationele data beter worden herkend en gecorrigeerd. Dit maakt een meer betrouwbare inschatting van het daadwerkelijke behandeleffect mogelijk.
- Langere bruikbaarheid van data ondanks trendbreuken: Een nieuwe methode voor het probabilistisch ‘vertalen’ van classificatiesystemen zorgt ervoor dat gegevens uit de NKR langer gebruikt kunnen worden, zelfs als de manier van classificeren verandert.
- Veilige internationale samenwerking zonder datadeling: Dankzij de ontwikkelde federated learning-infrastructuur kunnen inzichten internationaal gedeeld worden zonder dat patiëntendata daadwerkelijk de landsgrenzen over gaan. Dit draagt niet alleen bij aan dataveiligheid en bredere toepassing van onderzoeksresultaten, maar biedt ook nieuwe kansen voor samenwerking en benchmarking.
Registratie aan de bron zonder extra registratielast
Een ander belangrijk resultaat uit het onderzoek is dat (NKR-)registratie aan de bron technisch mogelijk is zonder extra registratielast voor zorgverleners. Dit betekent dat data efficiënter verzameld en benut kunnen worden, zonder dat dit leidt tot een hogere administratieve druk in de klinische praktijk. Dit biedt kansen voor verdere optimalisatie van dataverzameling en -gebruik binnen de oncologische zorg.
Toepassingen in de praktijk: data-gedreven besluitvorming in oncologie
Deze nieuwe methoden vergroten de toepassingsmogelijkheden van NKR-data en dragen bij aan de ontwikkeling van een meer data-gedreven oncologische zorgpraktijk.
Het nauwkeuriger kunnen schatten van behandeleffecten ondersteunt zorgprofessionals en beleidsmakers bij het maken van weloverwogen beslissingen, met als doel de uitkomsten voor patiënten te verbeteren. Dit sluit direct aan bij de principes van value-based healthcare, waarbij zorgbeslissingen worden onderbouwd met de best mogelijke data en methodologieën.
Bron:
Predicting Lung Cancer Survival Using Probabilistic Reclassification of TNM Editions With a Bayesian Network. Melle Sieswerda, Inigi Bermejo, Gijs Geleijnse, Mieke Aarts, Valery Lemmens, Dirk de Ruysscher, André Dekker, Xander Verbeek.
Impact on Quality of Documentation and Workload of the Introduction of a National Information Standard for Tumor Board Reporting. Kees Ebben, Melle Sieswerda, Ernest Luiten, Joan Heijns, Carmen van der Pol, Maud Bessems, Aafke Honkoop, Mathijs Hendriks, Janneke Verloop, Xander Verbeek.
Prognostic factors analysis for oral cavity cancer survival in the Netherlands and Taiwan using a privacy-preserving federated infrastructure. Gijs Geleijnse, RuRu Chun-Ju Chiang, Melle Sieswerda, Melinda Schuurman, KC Lee, Johan van Soest, Andre Dekker, Wen-Chung Lee, Xander Verbeek.
Identifying Confounders Using Bayesian Networks and Estimating Treatment Effect in Prostate Cancer With Observational Data. Melle Sieswerda, Shixuan Xie, Ruby van Rossum, Inigo Bermejo, Gijs Geleijnse, Katja Aben, Felice van Erning, Valery Lemmens, André Dekker, Xander Verbeek.
Estimating Treatment Effect of Adjuvant Chemotherapy in Elderly Patients With Stage III Colon Cancer Using Bayesian Networks. Melle Sieswerda, Ruby van Rossum, Inigo Bermejo, Gijs Geleijnse, Katja Aben, Felice van Erning, Ignace de Hingh, Valery Lemmens, André Dekker, Xander Verbeek.
Meer informatie
Meer weten over dit onderzoek? De volledige publicaties zijn op te vragen via bibliotheek@iknl.nl.
