234 Nederlanse samenvatting een toename in het aantal onderzoekers dat gelooft dat de ontwikkelingen op het gebied van datawetenschap en big data de geneeskunde zullen transformeren in precisiegeneeskunde. Hoewel het enige tijd kan duren voordat deze toekomstvisie werkelijkheid wordt, zijn er veel mogelijkheden om de medische wetenschap te verbeteren en te versnellen met behulp van ontwikkelingen in de datawetenschap. Ten eerste zijn er mogelijkheden rondom het koppelen van verschillende datasets. Dit vergroot de mogelijkheden voor onderzoek met observationele data. Voorbeelden hiervan zijn het koppelen van gegevens uit het elektronisch patiëntendossier met declaratiegegevens, genetische gegevens, data over sociaaleconomische status of gegevens uit de huisartsenpraktijk. Daarnaast zijn er veel ontwikkelingen rondom machine learning voor predictiemodellen. Het is lastig voor mensen om om te gaan met de hoeveelheid gegevens die voor ons beschikbaar zijn. Een onderzoek uit 2018 beschrijft het gebruikt van bijvoorbeeld deep learning, een vorm van machine learning, om een predictiemodel te creëren met behulp van gegevens uit het patiëntendossier van meer dan 200.000 patiënten, en dit predictiemodel presteerde beter dan traditionele predictiemodellen voor een reeks klinische uitkomsten (waaronder sterfte en verblijfsduur). De kwaliteit van de gegevens uit patiëntendossiers kan echter een beperkende factor blijken te zijn, niet alleen voor machine learning, maar zoals eerder vermeld, voor alle onderzoeken waarbij gebruik wordt gemaakt van automatisch verzamelde datasets. Een andere mogelijke toepassing is het gebruik van (unsupervised) machine learning technieken, zoals K-means clustering, of andere clustermethoden, zoals latent class analysis. Deze technieken hebben als doel om binnen een heterogene groep, kleinere, homogene subgroepen te identificeren. Deze gevonden subgroepen, of clusters, kunnen dan later worden bestudeerd in traditionele causale inferentie structuren. Ten slotte zijn er veel ontwikkelingen op het gebied van causale inferentie en machine learning. De integratie van causaal redeneren en machine learning om met grote en complexe datasets om te gaan, kan helpen bij het begrijpen van ingewikkelde systemen. Als het om causale inferentie gaat, lossen grote datasets de problemen waarmee kleine datasets te maken krijgen niet op. Als er sprake is van selectiebias in een grote dataset en er geen pogingen worden ondernomen om hiervoor te corrigeren, zal een grote dataset een verkeerde schatting van de uitkomst opleveren. Hoewel RCT’s niet kunnen worden vervangen, kunnen deze nieuwe technieken informatie en hypothesen opleveren, die uiteindelijk de medische wetenschap verder brengen. Daarnaast kunnen bevindingen uit observationeel onderzoek bijdragen aan de ontwikkeling van beter geïnformeerde en gedefinieerde hypothesen voor RCT’s.
RkJQdWJsaXNoZXIy MTk4NDMw