Hoe ontwikkel je voorspellende modellen in de kankerzorg op basis van variabele behandelprocessen?

Een belangrijk probleem in de gezondheidszorg is de variatie in patiëntkenmerken en in het ziekteverloop.  Die maken dat behandelprocessen niet volledig gestandaardiseerd kunnen worden. Dit maakt het soms ook lastig voor patiënten en clinici om beslissingen te nemen op basis van uniforme richtlijnen. Met deze realiteit in het achterhoofd koos Vazifehdoostirani het onderwerp voor haar promotie. Zij ontwikkelde nieuwe, flexibele benaderingen die beter aansluiten bij de patiëntenzorg.

Van beschrijvende data naar voorspellende inzichten

Door patronen in behandeltrajecten te analyseren met data uit de Nederlandse Kankerregistratie (NKR) liet ze zien dat procespatronen kunnen bijdragen aan nauwkeurigere voorspellingen en bruikbare aanbevelingen. Ze gebruikte de NKR-data van ruim 3.000 patiënten met uitgezaaid slokdarm- of maagkanker om haar methoden te ontwikkelen en te valideren.

Wat is nieuw? Vier kernbijdragen:

1.    Ontwikkeling van een methode om frequente en betekenisvolle procespatronen te coderen en te integreren in voorspellende modellen, waardoor de nauwkeurigheid van voorspellingen in flexibele processen toeneemt. Zo’n procespatroon kan bijvoorbeeld een combinatie van twee typen behandeling zijn, zoals radiotherapie gevolgd door een specifiek type chemotherapie.
2.    Introductie van een interactief framework dat artsen en onderzoekers in staat stelt om uitkomst-relevante patronen te ontdekken en te selecteren op basis van meerdere criteria, zoals frequentie en correlatie.
3.    Ontwikkeling van een verklaringsmethode die de daadwerkelijke én tegenovergestelde inzichten combineert, zodat voorspellingen beter te begrijpen zijn en behandelopties transparanter worden.
4.    Toepassing van dit framework op zorgdata uit de NKR (uitgezaaid slokdarm- of maagkanker). Hierbij zijn behandelpatronen (combinaties van verschillende soorten therapieën in specifieke volgordes) geïdentificeerd die samenhangen met overleving en gevalideerd op bruikbaarheid en relevantie door clinici en data-experts.

Impact, toekomstperspectief en oproep tot toepassing

De resultaten laten zien dat de predictiemodellen niet alleen nauwkeuriger zijn, maar ook begrijpelijker en bruikbaarder voor clinici. Het framework geeft inzicht in behandelpatronen die bijdragen aan betere uitkomsten. Het kan zorgprofessionals in de toekomst gaan ondersteunen bij het personaliseren van behandelplannen en het versterken van beslisondersteuning in de praktijk.

Procesanalisten, datawetenschappers en besluitvormers in de zorg kunnen het framework gebruiken om dieper inzicht in processen te krijgen, voorspellende besluitvorming te verbeteren en zorg verder te personaliseren op basis van herkende patronen.

De validatie vond plaats in één casus (uitgezaaide slokdarm- en maagkanker). Toetsing in andere tumorsoorten vergroot de toepasbaarheid. Een volgende stap is uitbreiding van het framework met aanvullende datatypen  (zoals genomische informatie en patiëntgerapporteerde uitkomsten) en het doorontwikkelen van de interactieve component, zodat het  nog beter aansluiten op de klinische praktijk.

Meer weten?

Mozhgan Vazifehdoostirani promoveert op 23 september 2025 aan de Technische Universiteit Eindhoven. 

(Co-)promotoren: 
•    Remco M. Dijkman, promotor
•    Laura Genga, co-promotor
•    Rob Verhoeven, co-promotor

Lees meer over het onderzoek:
•    Vazifehdoostirani, M. (2025). Leveraging Process Flexibility to Improve Process Outcome: From Descriptive Analysis to Actionable Insights. Technische Universiteit Eindhoven. 
•    Vazifehdoostirani, M., (2025). Predictive Insights for Personalising EGC Treatment Process - A Case Study. In D. Fahland, C. Ghidini, M. L. Rosa, & W. van der Aalst (Eds.), Business Process Management Forum. BPM 2024. Lecture Notes in Business Information Processing (Vol. 523, pp. 420–436). Springer. https://doi.org/10.1007/978-3-031-82225-4_35

Vraag artikelen in hun volledigheid op via bibliotheek@iknl.nl