Distributed learning

Wij zetten in op doorontwikkeling van veilige en moderne technieken om data op verantwoorde wijze op te slaan en te delen. Met privacy preserving techniques is het ook in de toekomst mogelijk om veilig met real world data te kunnen werken. Daarom lopen wij voorop op gebied van distributed learning. Hierbij blijven de gegevens van patiënten decentraal opgeslagen, bijvoorbeeld in het electronisch patiëntendossier (epd) van het ziekenhuis, en ‘reizen’ alleen de algoritmen van de NKR met een specifieke, afgebakende opdracht door deze data heen. Uiteraard met toestemming van ziekenhuizen en patiënten. Dit concept wordt ook wel de Personal Health Train genoemd.

Privacy preserving techniques

Data-extractie betekent niet per se het ‘verzamelen en meenemen van data’ in de gebruikelijke zin van het woord. Door introductie van strengere nationale en internationale privacywetten is het bovendien niet langer wenselijk om centrale databanken aan te leggen. Met  ‘privacy preserving techniques’ is het technisch gezien  niet meer noodzakelijk om grote hoeveelheden data te verzamelen om waardevolle analyses en interpretaties te kunnen uitvoeren. IKNL omarmt daarbij met betrekking tot data de FAIR-principes (Findable, Accessible, Interoperable, Reusable).   

Open source

De digitale instrumenten die IKNL ontwikkelt, worden betaald met gemeenschapsgeld. Daarom stelt IKNL de broncodes beschikbaar als ‘open source’, zodat andere professionals deze kunnen gebruiken als basis voor verdere ontwikkeling. Meer informatie is te vinden op: www.distributedlearning.ai   

Visiedocument data-infrastructuur

Als bijdrage van IKNL aan de lopende discussie over verantwoord databeheer in de oncologie heeft IKNL een visiedocument opgesteld genaamd 'Data laten leven'. Hierin lichten we toe hoe meer wetenschappelijk onderzoek kan worden gedaan terwijl er minder data wordt verplaatst, dankzij het concept van distributed learning

Use cases

IKNL werkt mee aan diverse use cases voor het gebruik van de Personal Health Train

  • Personal Health Train: kansen voor onderzoek bij zeldzame kankers
    De Personal Health Train (PHT) is een prijswinnende innovatieve manier van data-analyse, geschikt voor onderzoeken die gebruik maken van privacygevoelige data uit meerdere databronnen. Waar normaal gesproken alle data uit verschillende bronnen verzameld moet worden, brengt de PHT de analyse naar de verschillende databronnen. Deze manier van analyse maakt het gemakkelijker om data uit verschillende (internationale) bronnen te combineren: daar liggen in het bijzonder kansen voor onderzoek naar zeldzame kankers, waar het combineren van privacygevoelige data uit verschillende bronnen en internationale samenwerking vaak essentieel is. Gijs Geleijnse, senior clinical data scientist en projectleider van het PHT-innovatieprogramma vertelt meer.
  • Analyse overleving mondholtekanker Nederland & Taiwan met behoud privacy
    Het is een groep onderzoekers uit Nederland (IKNL, Maastricht University) en Taiwan gelukt om de overleving van patiënten met mondholtekanker in beide landen te analyseren zónder privacygevoelige informatie uit te wisselen. Na correctie voor vijf prognostische factoren, bleven er geringe verschillen zichtbaar in de uitkomsten van behandeling tussen Nederland en Taiwan. Dit is de eerste studie waarin de Personal Health Train-technologie is toegepast.