UMC Utrecht maakt gebruik van data-analyse om infecties bij premature baby’s proactief te behandelen of voorkomen
Ongeveer 10 procent van alle kinderen wordt te vroeg geboren (<37 weken zwangerschapsduur). Hoewel de overleving van premature baby’s is verbeterd, blijft hun neurologische ontwikkeling een groot probleem. Te vroeg geboren baby’s worden opgenomen op de afdeling Neonatologie (NICU). Tijdens deze periode is de baby erg kwetsbaar en vatbaar voor infecties. Om de gezondheid van de baby te monitoren, is deze met veel apparaten verbonden. Er is geen enkele andere afdeling in het ziekenhuis die meer data verzamelt dan de afdeling neonatologie. Na tien jaar patiëntgegevens te hebben verzameld, vond het UMC Utrecht het tijd om de verzamelde data goed te benutten.
Machine learning en kunstmatige intelligentie (AI) worden steeds belangrijker voor de gezondheidszorg. Daarom is het UMC Utrecht gestart met het project Applied Data Science in Medicine (ADAM). Met ADAM gebruikt het UMC Utrecht de bekende aanpak van grootschalige data-analyse om ervoor te zorgen dat zij die behandeling kiezen die het meest gunstig is voor de specifieke patiënt.
“Data-analyse kan de arts en de verpleegkundige helpen de best mogelijke beslissingen te nemen”, zegt Daniel Vijlbrief, neonatoloog bij UMC Utrecht.
Big data voorbereiden voor analyse
‘Big Data for Small Babies’ was een van de vier projecten binnen het ADAM-programma, geïnitieerd door de raad van bestuur van het UMC Utrecht. Dit specifieke project stelde de volgende vraag: Is het mogelijk om proactief een infectie te behandelen of zelfs te voorkomen bij premature baby’s met behulp van data-analyse? Deze vraag moest binnen drie maanden worden beantwoord.
Om ervoor te zorgen dat de technische kant van het project soepel en tijdig verliep, heeft UMC Utrecht verschillende data- en IT-specialisten ingeschakeld. Het multidisciplinaire Big Data voor Small Baby’s team bestond uit twee ingenieurs van IT-consultant Finaps, SAS-consultants en Daniel Vijlbrief, neonatoloog en kinderarts bij het UMC Utrecht. Ze gebruikten SAS Enterprise Guide en SAS Enterprise Miner om alle gegevens toegankelijk (en anoniem) te maken. Met SAS Visual Analytics konden ze de gegevens analyseren en visualiseren.