Depressies de baas met kunstmatige intelligentie

Depressie ligt vaak aan de basis van ernstiger gezondheidsproblemen zoals hartfalen en zelfmoord. Afgezien van persoonlijk leed, neemt de druk van de gevolgen van depressie op de maatschappij toe, door verloren werkuren en toegenomen zorgkosten. Vroegtijdig ontdekken en behandelen van een gezondheidsprobleem helpt doorgaans de nadelige effecten te verminderen of zelfs weg te nemen. Dat geldt voor depressie, maar ook voor schizofrenie, autisme en ADHD. Toch is de gereedschapskist van hulpverleners in de geestelijke gezondheidszorg veel minder goed gevuld dan die voor medici die fysieke problemen aanpakken.

André Marquand, hoogleraar Computational psychiatry aan het Donders Institute van de Radboud Universiteit, gebruikt zijn wetenschappelijke achtergrond in zowel computer science als psychologie om hier een oplossing voor te vinden. Het is wel een heel uitdagende opdracht. “Het gaat hier niet om het ontdekken van een probleem aan een enkele cel of eiwit. Deze aandoeningen zijn - naast een biologische aanleg - ook het gevolg van ervaringen in de ontwikkeling, in de interacties met andere mensen en een heleboel omgevingsfactoren. Het is een zeer complex samenspel.”

Er is gelukkig tegenwoordig wel veel te meten. Medische gegevens zijn steeds vaker te ontsluiten voor onderzoek, er zijn demografische, geografische en economische gegevens beschikbaar voor een beeld over de situatie waarin mensen dagelijks leven. Er zijn grote onderzoeken in de Verenigde Staten, Engeland en Nederland (Rotterdam, Generation R), waarbij kinderen jarenlang gevolgd worden in hun ontwikkeling.

Ook zijn mensen bereid een app op hun smartphone te installeren die voor onderzoek allerlei gegevens verzamelt over appgebruik, communicatie, locatie, tijdstippen en meer. “In sommige opzichten zwemmen we in een oceaan van data. Mijn team wil algoritmen ontwikkelen die uit die enorme hoeveelheden aan potentieel voorspellende variabelen, de belangrijkste eruit kunnen halen.” Daar zitten wel wat haken en ogen aan, want veel variabelen zijn gecorreleerd en er zijn wellicht verborgen eigenschappen in het spel. “De signalen waar we naar op zoek zijn, zijn vaak heel subtiel en schaars.”

Een voorbeeld dat Marquand aanhaalt, is dat iemand die enige tijd wordt gevolgd opeens vaak veel  vroeger opstaat en minder sociale interacties aangaat. Dit kunnen vroege signalen zijn voor een depressie. Het gaat om het opsporen van afwijkingen van het normaal (anomalie), een soort ‘early warning system’. Die signalen kunnen evident naar voren komen in de data, maar nog niet direct opvallen als symptomen in het dagelijks leven. Er spelen omgevingsfactoren bij, zoals dat het leven in een stad meer dagelijkse stress oplevert. Iemand met een bepaalde gevoeligheid, kan daardoor een aandoening ontwikkelen. Hetzelfde geldt voor armoede.

Marquand en zijn team werken met extreem gevoelige data. GPS-coördinaten, bewegingspatronen, het gebruik van sociale media, telefoon of andere communicatie-apps. “We moeten bij het installeren van die app heel duidelijk maken welke data we verzamelen, wat we er mee doen en hoe lang de gegevens worden bewaard. Daarna moeten de deelnemers daar duidelijk toestemming voor geven.”

VERLEDEN

Marquand startte in 2014 met het onderzoek bij het Donders Institute, nadat hij in Engeland zijn promotie-onderzoek op het gebied van hersenscans had afgerond en enige tijd in de Londense financiële wereld had gewerkt aan datascienceprojecten. Hij ziet veel dataspecialisten regelmatig overstappen tussen verschillende werkterreinen. “Ze kunnen goed gebruik maken van de kennis die ze hebben opgedaan over zaken als waarschijnlijkheidsverdelingen en wat te doen met correlaties. Veel van die zaken laten zich heel goed vertalen. Maar ik wil benadrukken dat het hebben van materiekennis echt heel belangrijk is. Je moet weten wat de onderliggende aspecten zijn die de systemen in een bepaalde richting sturen.”

HEDEN

Het team van Marquand sleutelt dus aan algoritmen, maar maakt niet alles zelf. Dat zou onmogelijk zijn. “Er zijn zo veel stappen in het analytische proces. Er zijn mensen die hun hele carrière besteden aan het wegwerken van de artefacten uit hersenscans. Het zou onzinnig zijn de expertise die er al is, te repliceren. Vaak kunnen we een hoop bestaande software tools, libraries en API’s aan elkaar koppelen. Daardoor kunnen we ons meer richten op nieuwe manieren om de data die uit die pijplijn komen, te analyseren en er duiding aan te geven.”

De uitlegbaarheid van de gebruikte technologie vindt Marquand erg belangrijk voor het vertrouwen bij de patiënt dat de arts de juiste beslissing neemt. Maar transparantie is ook belangrijk om de uitkomsten van een diagnose goed te kunnen interpreteren. Vaak wordt bijvoorbeeld een MRI-scanner gebruikt om een beeld van de hersenen te maken. Zo’n scanner is heel gevoelig voor de kleinste bewegingen van het hoofd. “Maar iemand met ADHD heeft vaak moeite om langere tijd stil te liggen in de scanner. Wanneer je dan heel naïef de data gaat classificeren, kun je schijnbaar goede voorspellingen uit de analyse krijgen, maar meet je in feite niks van de afwijking. Je hebt gewoon een erg dure bewegingsdetector voor het hoofd gecreëerd. Dus als je daadwerkelijk een betekenisvolle claim wilt maken, moet je een directe relatie kunnen aantonen met de ziekte of de afwijking.”

Een van de uitdagingen waar het team van Marquand mee te maken heeft, is dat het lastig is verschillende datasets te integreren om een compleet beeld te krijgen van een bepaald individu. Zo kan bijvoorbeeld een MRI-scan uitwijzen dat een individu een bepaalde afwijking heeft in sommige hersencircuits. Maar het is ook bekend dat die persoon negatieve ervaringen heeft gehad in de jeugd en bovendien leeft in een armere buurt waar veel misdaad plaatsvindt. Dat levert veel stress op in het dagelijks leven. Machine learning kan wellicht helpen om die verschillende inzichten op een goede manier te integreren. Dat zal niet makkelijk zijn, verwacht Marquand. “Niemand reageert standaard op bepaalde omgevingsfactoren. Die reacties zijn allemaal op een of andere manier gecodeerd in ons brein. Als we begrijpen hoe mensen van elkaar verschillen, dan kunnen we op zoek gaan hoe een psychologische aandoening effect kan hebben op die variatie.”

TOEKOMST

Marquand ziet veel mogelijkheden voor de verdere ontwikkeling van dit nieuwe vakgebied. Er komen nieuwe algoritmen en andere typen data. Zijn grote vraag is of dat allemaal uiteindelijk ook kan leiden tot voorspellingen die met de huidige aanpak nog niet mogelijk zijn. En of het ook lukt om de basale wetenschappelijke vorderingen uiteindelijk te gebruiken voor klinisch onderzoek. “De heilige graal in veel medisch onderzoek is om problemen in vroeg stadium te voorspellen en het ontstaan van klachten te vermijden. Dat voorkomt niet alleen dat de patiënt een hoop vervelende jaren moet doormaken, maar scheelt ook de belastingbetaler veel geld aan zorgverlening, op de lange termijn. Het is nog extreem moeilijk om dat te bereiken. Het levert wel interessante vraagstukken op en als een data-analist, is dat wel een van de dingen waar ik erg van kan genieten.”