Project R-16884

Gepersonaliseerd federatief leren voor heterogene gezondheidsdatanetwerken: van methodologische ontwikkeling tot industriële toepassing in farmaceutisch onderzoek (Onderzoek)

Gezondheidsgegevens die tijdens de dagelijkse zorg worden verzameld, kunnen helpen om belangrijke vragen te beantwoorden over ziekteprogressie en over de veiligheid en werkzaamheid van behandelingen. Die informatie is echter verspreid over elektronische patiëntendossiers, terugbetalingsgegevens, ziekteregisters en andere bronnen van real world data. Patiëntgegevens kunnen doorgaans niet op één centrale plaats worden samengebracht door privacyregels en juridische, organisatorische en technische beperkingen. Bovendien verschillen deze gegevensbronnen in patiëntenpopulatie en zorgpraktijk. Een voorspellingsmethode die goed werkt voor de ene bron, kan daardoor minder betrouwbaar zijn voor een andere, zeker wanneer er weinig patiënten beschikbaar zijn of wanneer de onderzochte uitkomst weinig voorkomt. Dit project ontwikkelt gepersonaliseerde methoden voor federatief leren. Daarmee kunnen afzonderlijke gezondheidsdatabronnen samen worden geanalyseerd, terwijl de onderliggende patiëntgegevens bij de oorspronkelijke gegevenshouder blijven. De methoden combineren patronen die in het bredere netwerk terugkomen met informatie die eigen is aan elke gegevensbron. Het onderzoek richt zich op drie praktische uitdagingen: voorspellingen efficiënt aanpassen aan lokale patiëntenpopulaties, betrouwbaar leren wanneer bepaalde uitkomsten of behandelingen weinig voorkomen, en voorkomen dat nuttige gedeelde kennis verloren gaat wanneer voorspellingen lokaal worden aangepast. De methoden worden eerst ontwikkeld en geëvalueerd met routinematig verzamelde klinische gegevens uit een internationaal netwerk rond multiple sclerose. Daarbij wordt voorspeld of de beperkingen als gevolg van de ziekte binnen twee jaar zullen toenemen. Methoden die aan vooraf vastgelegde prestatiecriteria voldoen, worden vervolgens geëvalueerd in farmaceutisch onderzoek met gegevens uit de dagelijkse zorgpraktijk. In die context schatten ze in hoe waarschijnlijk het is dat iemand de ene behandeling krijgt in plaats van de andere, op basis van gezondheidsinformatie die vóór de start van de behandeling beschikbaar was. Met deze inschattingen kunnen behandelingsgroepen beter vergelijkbaar worden gemaakt. Zo kunnen onderzoekers de veiligheid en werkzaamheid van behandelingen betrouwbaarder vergelijken wanneer patiënten niet willekeurig aan een behandeling kunnen worden toegewezen. Het project levert een gevalideerd analytisch kader, open source software, praktische documentatie, wetenschappelijke publicaties en een aanpak die in een industriële omgeving wordt getest. Door bestaande gezondheidsgegevens betrouwbaarder te benutten, wil het project sneller bruikbare kennis opleveren voor kleine patiëntengroepen, weinig voorkomende uitkomsten en pas geïntroduceerde behandelingen.

01 september 2026 - 31 augustus 2027