Gegevens verzamelen is goed. Er klinische beslissingen uit afleiden is beter. Dankzij een robuuste infrastructuur heeft GHdC in het kader van het OSIRIS-project een AI-pijplijn opgezet om primaire refractaire toestanden bij patiënten met agressieve lymfomen op te sporen.
Verklaarbare AI, Python-pijplijnen en klinische besluitvorming
Deze complete pijplijn is gebaseerd op een gedetailleerde structurering van FHIR-gegevens, de extractie ervan via SQL Builder en de verwerking ervan in een AI-model dat gebruikmaakt van een naïeve Bayesiaanse classificator voor voorspellingen en een LIME-algoritme voor verklaarbaarheid
Deze uitleg bevordert de klinische acceptatie en biedt
echte ondersteuning bij de besluitvorming: als een patiënt een hoog risico loopt op het falen van chemotherapie, wordt hij nauwlettend in de gaten gehouden en kan hij snel worden doorverwezen voor CAR-T-therapie als blijkt dat hij refractair is of een vroege terugval vertoont.
De geactiveerde technische bouwstenen:
- Native ondersteuning van Python in IRIS
- Dockerized pipeline compatibel met de AI-tools van GHdC
- OSIRIS-gebeurtenismodel dat het traject van de patiënt gedurende de hele zorgtraject structureert
Om te begrijpen hoe deze gegevens vooraf worden voorbereid, kunt u het artikel over gegevensstructurering nog eens lezen.
