Ons onderzoek

Introductie

Pacmed is betrokken bij toegepast onderzoek op gebieden die relevant zijn voor het gebruik van AI en ML in de gezondheidszorg, met bijzondere aandacht voor de randvoorwaarden voor zorgvuldig en verantwoord gebruik van state-of-the-art technologie. Daarnaast streven wij naar wetenschappelijke validatie van alle ontwikkelings- en implementatiestappen, evenals onderwijs over alle aspecten van data-gestuurde zorg. Daarom zoekt Pacmed Labs expliciet samenwerking met partners om ervoor te zorgen dat de resultaten van ons onderzoek ten goede komen aan iedereen.

Pacmed Critical

Ons onderzoek rondom Pacmed's oplossingen omvat de ontwikkeling van het machine learning-model bij Amsterdam UMC locatie VUmc, de externe validatie bij LUMC en ETZ ziekenhuizen, en de ontwikkeling en testen van de beslisondersteunende software voor IC-ontslag.

When, where, who, what, and why? The five Ws of workflow analysis for implementing an AI decision support tool at the intensive care
‍_{Anne A.H. de Hond, Suzanne Vosslamber, Sanne Lange, Friso Engel, Mette Lindhout, Puck Noorlag, Ewout W. Steyerberg, Giovanni Cinà, M. Sesmu Arbous.
Human Factors in Healtcare. 2025 Feb;19 (7)}

Explainable Machine Learning on AmsterdamUMCdb for ICU Discharge Decision Support: Uniting Intensivists and Data Scientists
_{Thoral PJ, Fornasa M, de Bruin DP, Tonutti M, Hovenkamp H, Driessen RH, Girbes AR, Hoogendoorn M, Elbers PW.
Critical Care Explorations. 2021 Sep;3(9)}

Predicting readmission or death after discharge from the ICU: external validation and retraining of a machine learning model
_{de Hond, A. A., Kant, I. M., Fornasa, M., Cinà, G., Elbers, P. W., Thoral, P. J., ... & Steyerberg, E. W.
Critical care medicine (2023), 51(2), 291-300.}

Transferring clinical prediction models across hospitals and electronic health record systems. [link]
_{Curth A, Thoral P, van den Wildenberg W, Bijlstra P, de Bruin D, Elbers P, Fornasa M.
Joint European Conference on Machine Learning and Knowledge Discovery in Databases 2019 Sep 16 (pp. 605-621).}

The Potential Cost-Effectiveness of a Machine Learning Tool That Can Prevent Untimely Intensive Care Unit Discharge.
_{de Vos J, Visser LA, de Beer AA, Fornasa M, Thoral PJ, Elbers PW, Cinà G.
Value in Health. 2022 Oct 22.}

Intensive Care Unit Physicians’ Perspectives on AI–Based Clinical Decision Support Tools: Pre Implementation Survey Study
_{van der Meijden SL, de Hond AAH, Thoral PJ, Steyerberg EW, Kant IMJ, Cinà G, Arbous MS
JMIR Hum Factors 2023;10:e39114}

Development and clinical implementation of real-time decision support tools for ICU discharge
_{P.J. Thoral, Anne de Hond, C.M. Sauer, D.P. de Bruin, M. Fornasa, Sesmu Arbous, Giovanni Cinà, P.W.G. Elbers,
Journal of Critical Care, Volume 81, 2024,}

COVID Predict en ICU data

Ons onderzoek naar Covid Predict en ICU data omvat de ontwikkeling van de landelijke COVID-19-database voor IC-patiënten in Nederland en de opvolger daarvan: ICU-data. Daarnaast richt het onderzoek zich op prognose en behandeling van patiënten die met COVID-19 zijn opgenomen op de intensive care in Nederland.

The Dutch Data Warehouse, a multicenter and full-admission electronic health records database for critically ill COVID-19 patients
_{Fleuren LM, Dam TA, Tonutti M, de Bruin DP, Lalisang RC, Gommers D, Cremer OL, Bosman RJ, Rigter S, Wils EJ, Frenzel T.
Critical Care. 2021 Dec;25(1):1-2.}

Predictors for extubation failure in COVID-19 patients using a machine learning approach
_{Fleuren LM, Dam TA, Tonutti M, de Bruin DP, Lalisang RC, Gommers D, Cremer OL, Bosman RJ, Rigter S, Wils EJ, Frenzel T.
Critical Care. 2021 Dec;25(1):1-0.}

Risk factors for adverse outcomes during mechanical ventilation of 1152 COVID-19 patients
_{Fleuren LM, Tonutti M, de Bruin DP, Lalisang RC, Dam TA, Gommers D, Cremer OL, Bosman RJ, Vonk SJ, Fornasa M, Machado T.
Intensive care medicine experimental. 2021 Dec;9(1):1-5.}

Large-scale ICU data sharing for global collaboration: the first 1633 critically ill COVID-19 patients in the Dutch Data Warehouse
_{Fleuren LM, de Bruin DP, Tonutti M, Lalisang RC, Elbers PW.
Intensive care medicine 2021 Apr;47(4):478-81.}

Variation in Ventilator Settings for Coronavirus Disease 2019 Acute Respiratory Distress Syndrome
_{Dam TA, de Grooth HJ, Klausch T, Fleuren LM, de Bruin DP, Entjes R, Rettig TC, Dongelmans DA, Boelens AD, Rigter S, Hendriks SH.
Critical care explorations. 2021 Oct;3(10).}

The effect of prone positioning on mechanically ventilated COVID-19 patients
_{Izdebski A, Thoral PJ, Lalisang RC, McHugh DM, Entjes R, van der Meer NJ, Dongelmans DA, Boelens AD, Rigter S, Hendriks SH, de Jong R.
arXiv preprint arXiv:2109.06707. 2021 Sep 14.}

Veranrwoorde AI in de zorg

Ons onderzoek naar verantwoorde AI in de zorg richt zich op essentiële thema’s voor een verantwoorde implementatie van AI in de klinische praktijk: het kwantificeren van onzekerheid in voorspellingen, het inschatten van causale (behandel)effecten op basis van observationele data, domeinadaptatie en modellering over meerdere ziekenhuizen voor extern valide modellen, en uitlegbare AI.

Transferring clinical prediction models across hospitals and electronic health record systems
_{Curth A, Thoral P, van den Wildenberg W, Bijlstra P, de Bruin D, Elbers P, Fornasa M.
Joint European Conference on Machine Learning and Knowledge Discovery in Databases 2019 Sep 16 (pp. 605-621).}

Out-of-Distribution Detection for Medical Applications: Guidelines for Practical Evaluation ‍
_{Zadorozhny, K., Thoral, P., Elbers, P., & Cinà, G. (2022).
Multimodal AI in healthcare: A paradigm shift in health intelligence (pp. 137-153).}

Know your limits: Uncertainty estimation with relu classifiers fails at reliable ood detection‍
_{Ulmer, D, and G Cinà.}_{Uncertainty in Artificial Intelligence}_{. PMLR, 2021.}

‍Trust Issues: Uncertainty Estimation Does Not Enable Reliable OOD Detection On Medical Tabular Data ‍
_{Ulmer, D., Meijerink, L., & Cinà, G.}_{Machine Learning for Health}_{(pp. 341-354) 2020. PMLR.}

Uncertainty Estimation for Classification and Risk Prediction on Medical Tabular Data ‍
_{Meijerink, L., Cinà, G., & Tonutti, M.}_{arXiv preprint arXiv:2004.05824 2020}_.

Bayesian Modelling in Practice: Using Uncertainty to Improve Trustworthiness in Medical Applications
_{Ruhe, D., Cina, G., Tonutti, M., de Bruin, D., & Elbers, P.}_{arXiv preprint arXiv:1906.08619, 2019}_.

Kansen Voor West III project over Causal Inference

Pacmed en de afdeling Medische Informatiekunde van het Amsterdam UMC en de Universiteit van Amsterdam hebben een subsidie ontvangen binnen het programma Kansen voor West III, gefinancierd door het Europees Fonds voor Regionale Ontwikkeling (EFRO) van de Europese Unie, voor onderzoek naar causale inferentie.

Intensivisten kunnen aanzienlijk meer waarde halen uit AI-ondersteuning bij klinische besluitvorming wanneer niet alleen het risico op een ongewenste uitkomst wordt voorspeld, maar ook wanneer het systeem helpt bij het bepalen van het optimale behandelpad — bijvoorbeeld door de effecten te voorspellen van een extra dag verblijf op de intensive care. Hiervoor is het schatten van behandeleffecten nodig. Technieken om deze effecten te schatten komen uit het vakgebied van causale inferentie, ook wel aangeduid als causale AI.

De samenwerking tussen Pacmed, het Amsterdam UMC, de Santeon-ziekenhuizen en zorgverzekeraars zoals CZ en Zilveren Kruis maakt het mogelijk om deze nieuwe technologie in de praktijk te valideren en toe te passen. Het project is gestart in 2022 en loopt ten minste drie jaar.

Overig werk

Using machine learning to predict blood culture outcomes in the emergency department
_{Boerman AW, Schinkel M, Meijerink L, van den Ende ES, Pladet LC, Scholtemeijer MG, Zeeuw J, van der Zaag AY, Minderhoud TC, Elbers PW, Wiersinga WJ.
BMJ open. 2022 Jan 1;12(1):e053332.}

Ultrasensitive prostate‐specific antigen level as a predictor of biochemical progression after robot‐assisted radical prostatectomy
_{Grivas N, de Bruin D, Barwari K, van Muilekom E, Tillier C, van Leeuwen PJ, Wit E, Kroese W, van der Poel H.
Journal of clinical laboratory analysis. 2019 Feb; 33(2):e22693.}

Association of metastatic pattern in breast cancer with tumor and patient-specific factors: a nationwide autopsy study using artificial intelligence
_{Kazemzadeh F, Snoek JAA, Voorham QJ, van Oijen MGH, Hugen N, Nagtegaal ID.
Breast Cancer. 2024 Mar;31(2):263-271.}

Generalizable calibrated machine learning models for real-time atrial fibrillation risk prediction in ICU patients
_{Verhaeghe J, De Corte T, Sauer CM, Hendriks T, Thijssens OWM, Ongenae F, Elbers P, De Waele J, Van Hoecke S.
International Journal of Medical Informatics. 2023 Jul;175:105086}

‍