Verslagen

Voortgangsverslag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

De psychose prognose predictor

 

Het doel van dit project is om een psychose prognose predictor te ontwikkelen die de individuele uitkomsten van patiënten met psychotische stoornissen kan voorspellen. Daarnaast moet deze predictor ook het effect berekenen van de verschillende beïnvloedbare factoren, zoals medicatie en leefstijl. Het uiteindelijke doel is om patiënten, hun naasten en psychiaters handvatten aan te reiken over hoe een zo gunstig mogelijk prognose kan worden bereikt.

 

Na het omschrijven van de uitkomtmaten zal de psychose prognose predictor aan de hand van de bestaande literatuur en met behulp van al bestaande patiënten informatie worden ontwikkeld. Daarnaast zullen machine-learning technieken worden ingezet om de voorspelling verder te personaliseren. Een mooi voorbeeld van machine learning zijn de productadviezen van webshops, gebaseerd op het klikgedrag van de klant. De psychose prognose predictor kan hierdoor afgestemd worden op de behoefte van de individuele patiënt.

 

Momenteel kunnen de uitkomsten van psychotische aandoeningen eigenlijk niet worden voorspeld, terwijl patiënten juist geïnformeerd willen worden over de prognose. Ook weten patiënten, naasten, psychiaters en andere hulpverleners onvoldoende wat ze moeten doen om de individuele uitkomsten te beïnvloeden. Waarschijnlijk heeft elke patiënt ook een eigen definitie van goede uitkomst. Het vasthouden van een baan zal bijvoorbeeld een belangrijk eindpunt zijn voor de patiënt, in tegenstelling tot verminderen van de psychose (eindpunt psychiater). Een van de belangrijkste onderdelen van dit project zijn de uitkomstmaten. Deze zullen met behulp van discussies tussen patiënt, naasten, Ypsilon, Anoiksis (mede-aanvragers), psychiaters en andere hulpverleners worden geselecteerd. Na de ontwikkeling van de predictor zal men gezamenlijk een plan maken voor het inzetten van deze in de praktijk, waardoor een betere voorspelling van de prognose en op maat gemaakte behandeling mogelijk wordt.

Resultaten
Dit item is dichtgeklapt
Dit item is opengeklapt

De eerste fase van het Psychose Prognose Predictor project bestaat uit 2 onderdelen:

1. Inventarisatie van belang en beschikbaarheid van uitkomstmaten en predictoren daarvan:

a. Het panel van ervaringsdeskundigen ((ex-)patiënten en naasten) is 5 maal bijeengekomen om -samen met de onderzoekers- te bespreken welke predictoren en uitkomstmaten voor psychose van belang zijn.

b. We hebben alle bestaande literatuur m.b.t. het voorspellen van uitkomst bij psychose grondig bekeken en samengevat (en opgeschreven voor publicatie) om te zien welke uitkomstmaten al onderzocht zijn en welke variabelen daarvoor voorspellend zijn (d.w.z. predictoren zijn).

c. Er is een online enquête onder belanghebbenden van start gegaan.

Voorlopige conclusie: Er is veel onderzoek gedaan naar prognostische predictoren, maar er is veel variabiliteit tussen studies waardoor er maar een zeer beperkt aantal significante predictoren overblijft. Verder is er weinig overlap tussen de onderzochte en de door de belanghebbenden gewenste uitkomstmaten. Het is dus noodzakelijk een vertaalslag te maken tussen de verschillende (beschikbare en gewenste) uitkomstmaten en predictoren.

2. Binnen de grote bestaande datasets die we tot onze beschikking hebben zijn de eerste modellen gebouwd:

a. Een lange-termijn uitkomstpredictiemodel met tot 68% nauwkeurigheid in het GROUP sample (online en open access gepubliceerd in NPJ Schizophrenia, De Nijs et al, juli 2021). Dit model gebruikt traditionele machine-learning technieken waarnbij de invloed van individuele variabelen op de uitkomst direct herleidbaar is.

b. Een korte-termijn uitkomstpredictiemodel in het OPTiMiSE sample met meer dan 70% nauwkeurigheid. Dit model gebruikt deep-learning (LSTM) technieken en geeft ook de mate van zekerheid van de voorspelling aan. Momenteel werken we aan het verhogen van de nauwkeurigheid, het verbeteren van de interpretatie, en het vereenvoudigen van de modellen om ze geschikter te maken voor toekomstig gebruik in de klinische praktijk.

In de volgende fase van het project gaan we de modellen uitbreiden naar en valideren in andere datasets. Verder zullen we onderzoeken hoe de door de patiënten en andere belanghebbenden aangegeven uitkomstmaten en predictoren kunnen worden verwerkt in de predictiemodellen.

Samenvatting van de aanvraag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

 

 

 

Clinical prediction models of outcome for patients with a psychotic disorder do not exist at present. However, since there is abundant evidence of factors influencing outcome, it should be possible to realize our main goal: To develop a prediction model for recovery outcome for the individual patient that also indicates how changing certain factors can influence it in a favorable way. What is meant by ‘favorable’, is part of the project: Patients and psychiatrists together will define outcome variables that are important to them. We will apply advanced statistical techniques such as machine learning to the large (N=2000) longitudinal multisite datasets we have at our disposal and validate the resulting prediction tool in new patients. Insight in how changing (lifestyle) factors may improve a patient’s personalized outcome will increase the patient’s opportunities for self-management, enable tailored interventions, reduce societal costs and improve the lives of those affected by this severe illness.

Naar boven
Direct naar: InhoudDirect naar: NavigatieDirect naar: Onderkant website