LEveraging real-world dAta to optimize PharmacotheRapy outcomes in multimOrbid patients by using machine learning and knowledGe representation methods– LEAPfROG project

De oprichting van een schaalbaar PharmacoInformatics Platform (PIL) om uiteindelijk de levenskwaliteit van patiënten met CKD te verhogen en de kosten van de gezondheidszorg in verband met medicatieschade te verlagen.

Met de toenemende vergrijzing en multimorbiditeit, neemt het aantal patiënten dat complexe geneesmiddelcombinaties gebruikt sterk toe. Deze combinaties zijn vaak niet goed onderzocht in wetenschappelijke studies. Bovendien worden multimorbide patiënten waaraan geneesmiddelen(combinaties) worden voorgeschreven, frequent uitgesloten in randomized controlled trials (RCTs). Zo ook patiënten met chronische nierschade die de focus zijn van het LEAPfROG project. Deze kennislacunes met betrekking tot effectiviteit en bijwerkingen van geneesmiddelen(combinaties) in deze kwetsbare patiënten, zijn een bron van risico's in de dagelijkse praktijk. Risico's op bijwerkingen en risico's op onvoldoende effectieve behandeling met geneesmiddelen. Tevens is de hoeveelheid informatie over geneesmiddelen in de afgelopen decennia exponentieel gegroeid. Dat leidt tot een grote tijdsbelasting voor zorgverleners, om hun kennis up-to-date te houden en zo veilig en doelmatig geneesmiddelen voor te schrijven.

In het LEAPfROG project willen de onderzoekers een lerend medicatieveiligheid systeem creëren. Dat is een systeem waarin data uit de dagelijkse praktijk (ook wel real-world data genoemd) en informatie uit bestaande kennisbronnen (o.a. richtlijnen, wetenschappelijke literatuur), maximaal worden benut. Zo een systeem analyseert voortdurend real-world data om te leren wat goed gaat en wat beter kan op basis van farmacotherapie-uitkomsten in elke individuele patiënt in de dagelijkse praktijk. Het elektronisch patiëntendossier (EPD) vormt de bron van real-world data in het LEAPfROG project. Tegelijkertijd monitort het systeem of er nieuwe inzichten beschikbaar zijn gekomen door bestaande kennisbronnen na te speuren. Voor zowel analyse van real-world data als voor de analyse van kennisbronnen zullen innovatieve machine learning methoden ingezet worden. Het geleerde op basis van real-world data en op basis van kennisbronnen wordt vervolgens geïntegreerd en vertaald naar real-world evidence adviezen. Deze adviezen worden aangeboden in de spreekkamer via een digitale beslissingsondersteuning.

machine learning, artificiële intelligentie, acuut nierfalen, chronische nierschade, kwaliteit van leven, medicatieveiligheid, elektronisch patiëntendossier, nefrotoxische geneesmiddelen