Leveraging Taxonomy Similarity for Next Activity Prediction in Patient Treatment

Dit artikel introduceert de TS4NAP-methode, die medische taxonomieën en grafische matching combineert om de voorspelling van de volgende behandelstap bij patiënten te verbeteren en te verklaren, met name om de uitdagingen van beperkte en complexe medische data te overwinnen.

De kern

De Slimme Medische Voorspeller: Hoe een "Medische Wikipedia" de Toekomst van Patiënten helpt

Stel je voor dat een arts een patiënt behandelt. Het is als een gigantisch, complex puzzelspel. De arts moet beslissen: "Wat is de volgende stap? Moeten we nu een scan maken, een medicijn geven of een operatie plannen?" Soms is het antwoord duidelijk, maar vaak is het een zee van mogelijkheden. De arts moet door duizenden eerdere gevallen bladeren om te zien wat er in vergelijkbare situaties werkte. Dat kost tijd en energie.

Dit artikel introduceert een slimme computerassistent genaamd TS4NAP. Deze assistent helpt artsen de volgende stap te voorspellen, maar doet het op een heel speciale manier: door te kijken naar hoe medische termen met elkaar verbonden zijn, net als in een enorme, digitale stamboom.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. De Medische "Stambomen" (Taxonomieën)

In de medische wereld worden ziektes en behandelingen niet zomaar willekeurig genoteerd. Ze hebben een eigen taal: ICD-codes.

• ICD-10-CM is als een enorme bibliotheek voor ziektes.
• ICD-10-PCS is de bibliotheek voor ingrepen (operaties).

Stel je voor dat deze bibliotheken geen losse boeken zijn, maar een gigantische stamboom.

• Bovenaan staat "Hartziekte".
• Daaronder hangt "Hartaanval".
• Daaronder weer "Hartaanval door een blokkade in de linkerarterie".

De slimme truc van TS4NAP is dat het niet alleen kijkt of twee patiënten exact dezelfde code hebben. Het kijkt naar de familieband. Als patiënt A een "Hartaanval" heeft en patiënt B een "Hartprobleem door een blokkade", ziet de computer dat ze familie zijn. Ze zijn niet 100% hetzelfde, maar ze lijken op elkaar. Een simpele computer zou zeggen: "Niet hetzelfde, dus nee." Maar TS4NAP zegt: "Ze zijn familie, dus ze lijken op elkaar!"

2. Het Matchen van Puzzelstukjes (Grafische Matching)

Nu komt het echte werk. De computer moet een nieuwe patiënt (de "vraag") vergelijken met duizenden oude patiënten (de "antwoorden") in de database.

• Het probleem: Soms zijn de stappen in de behandeling net andersom. Patiënt A kreeg eerst medicijnen en toen een scan. Patiënt B kreeg eerst de scan en toen medicijnen. Een simpele computer zou denken: "Verschillend!" en ze negeren.
• De oplossing: TS4NAP gebruikt een techniek die lijkt op het matchen van puzzelstukjes. Het kijkt niet alleen naar de volgorde, maar ook naar hoe goed de stukjes bij elkaar passen, zelfs als ze een beetje verschuiven. Het gebruikt een wiskundige methode (de "Hongaarse algoritme") om de beste match te vinden, alsof je de perfecte partner zoekt voor elk puzzelstukje in een set.

3. De Voorspelling: "Kijk naar de Familie"

Wanneer een arts een nieuwe patiënt heeft, doet TS4NAP het volgende:

1. Het zoekt de 5 meest vergelijkbare oude patiënten in de database.
2. Het kijkt niet alleen naar de diagnose, maar ook naar de volgorde van behandelingen en hoe "verwant" de diagnoses zijn (via die stamboom).
3. Het vraagt zich af: "Wat hebben die 5 vergelijkbare patiënten daarna gedaan?"
4. Het geeft de arts een lijstje met de 3 tot 5 meest waarschijnlijke volgende stappen.

Waarom is dit beter dan een zwarte doos?
Veel moderne AI's zijn "zwarte dozen": ze geven een antwoord, maar je weet niet waarom. TS4NAP is een witte doos. De arts kan zien: "Ah, de computer suggereert een scan omdat deze patiënt lijkt op die andere 5 patiënten met een vergelijkbare hartstamboom." Dit maakt het vertrouwen en de transparantie groot.

4. Wat leerden ze van de test?

De onderzoekers hebben dit getest met data van 36 verschillende soorten ziektes (van longontsteking tot botbreuken) uit een grote Amerikaanse ziekenhuisdatabase (MIMIC-IV).

• Het resultaat: In 34 van de 36 gevallen was de voorspelling beter met de "stamboom-kennis" dan zonder.
• De verrassing: Het werkt het allerbeste bij complexe gevallen. Als een patiënt veel verschillende behandelingen heeft gehad en de ziekte is ingewikkeld, helpt de stamboom-kennis enorm. De computer ziet verbanden die een mens of een simpele computer over het hoofd ziet.
• De nuance: Bij heel simpele, standaard gevallen (waar alles altijd in dezelfde volgorde gaat) maakt het niet zoveel uit. Daar is de extra rekenkracht misschien niet nodig.

Conclusie: Een slimme assistent, geen vervanger

Dit systeem is geen robot die de arts vervangt. Het is meer als een zeer goed ingelichte secretaresse die snel door de archieven bladdert en zegt: "Heeft u al gekeken naar deze 5 vergelijkbare gevallen? Zij deden X, Y en Z."

Het helpt artsen om sneller betere beslissingen te nemen, zorgt dat er op de juiste momenten bedden en apparatuur beschikbaar zijn, en maakt de voorspellingen begrijpelijk. Het is een voorbeeld van hoe we de rijke kennis in medische boeken (taxonomieën) kunnen gebruiken om de toekomst van de zorg een stuk helderder te maken.

Technische samenvatting

Titel: Het benutten van taxonomische gelijkenis voor voorspelling van de volgende activiteit in patiëntbehandeling

Auteurs: Martin Kuhn, Joscha Grüger, Tobias Geyer, Ralph Bergmann
Bron: arXiv:2503.07638v3 [cs.LG] (2026)

---

1. Het Probleem

In de moderne geneeskunde worden artsen geconfronteerd met complexe uitdagingen bij het plannen van patiëntbehandelingen. Traditionele methoden voor voorspellend procesbewaking (Predictive Process Monitoring - PPM), zoals het voorspellen van de volgende activiteit (Next Activity Prediction - NAP), kampen met specifieke beperkingen in de medische sector:

• Hoge variabiliteit: Medische trajecten zijn zeer divers en afhankelijk van de specifieke ziektegeschiedenis.
• Kennisintensiteit: Medische data is rijk aan semantische kennis die vaak niet wordt benut door "black-box" modellen (zoals diepe neurale netwerken).
• Gebrek aan transparantie: Klinische professionals vertrouwen zelden op voorspellingen die niet verklaarbaar zijn.
• Datakwaliteit: Medische data is vaak ongestructureerd of heterogeen, hoewel er gestandaardiseerde codes bestaan (zoals ICD-10).

Bestaande methoden negeren vaak de semantische relaties tussen medische codes, waardoor ze minder effectief zijn in complexe scenario's waar exacte code-overeenkomsten zeldzaam zijn.

2. Methodologie: De TS4NAP-benadering

De auteurs stellen TS4NAP (Taxonomy Similarity for Next Activity Prediction) voor. Dit is een witte-kast (white-box) aanpak die gebruikmaakt van medische taxonomieën en grafische matching om de volgende stap in een behandeltraject te voorspellen.

Kerncomponenten:

1. Medische Taxonomieën:

   • ICD-10-CM: Voor diagnosecodes.
   • ICD-10-PCS: Voor procedurecodes (ingrepen).
   • Deze codes worden niet als losse strings behandeld, maar als concepten binnen een hiërarchische structuur.

2. Semantische Gelijkenis (Information Content):

   • De methode gebruikt de Sánchez-gelijkenismaatstaf, gebaseerd op Information Content (IC).
   • De IC van een concept wordt berekend op basis van het aantal bladeren (subconcepten) en het aantal voorouders (superconcepten) in de taxonomie.
   • Formule: $IC(c) = -\log(\frac{|leaves(c)|}{|subsumers(c)| + 1} \cdot \frac{1}{max\_leaves + 1})$.
   • De gelijkenis tussen twee concepten $c_1$ en $c_2$ wordt bepaald door de gedeelde informatie van hun Least Common Subsumer (LCS): $sim_{Sánchez}(c_1, c_2) = \frac{2 \cdot IC(LCS(c_1, c_2))}{IC(c_1) + IC(c_2)}$.

3. Bipartiete Grafische Matching:

   • Om variabiliteit in de volgorde van gebeurtenissen te hanteren, worden twee patiënttrajecten (traces) omgezet in een bipartiete graaf.
   • De ene set knopen vertegenwoordigt de gebeurtenissen van het query-traject, de andere set die van een historisch traject.
   • Er wordt een Maximum Weight Matching (met het Kuhn-Munkres/Hungarian algoritme) uitgevoerd om de beste overeenkomst tussen gebeurtenissen te vinden, ongeacht hun exacte positie in de tijd.

4. Gewogen Similariteitsberekening:

   • De totale gelijkenis tussen twee trajecten ($\sigma$ en $\sigma'$) combineert twee componenten:
     • Control-flow gelijkenis ($sim_{cf}$): Gebaseerd op de volgorde van procedures (ICD-10-PCS).
     • Lijst-gelijkenis ($sim_{list}$): Gebaseerd op de lijst van diagnoses (ICD-10-CM), waarbij de volgorde van prioriteit (seq_num) wordt meegenomen.
   • Een orde-afhankelijke straffactor ($w_{order}$) wordt toegepast op basis van de positieverschillen in de graaf.
   • De finale score is een gewogen som: $sim_{trace} = \alpha_1 \cdot sim_{list} + \alpha_2 \cdot sim_{cf}$. De gewichten $\alpha$ worden dynamisch aangepast op basis van de lengte van het traject.

5. Voorspellingsproces:

   • Voor een lopend traject worden de $n$ meest vergelijkbare historische trajecten gevonden.
   • De volgende activiteit van deze vergelijkbare trajecten wordt gegroepeerd en gerangschikt op basis van hun cumulatieve gelijkenissscore.
   • De top $n$ activiteiten worden als voorspelling teruggegeven.

3. Belangrijkste Bijdragen

• Integratie van Domeinkennis: De eerste aanpak die taxonomische kennis (ICD-10) direct integreert in de kern van de NAP-methode via semantische gelijkenis, in plaats van als louter extra feature.
• Verklareerbaarheid (Explainability): Omdat de voorspelling gebaseerd is op het vinden van de meest vergelijkbare historische patiënten (Case-Based Reasoning), kunnen artsen direct zien waarom een bepaalde stap wordt voorgesteld (door de vergelijkbare trajecten in te zien).
• Omgaan met Variabiliteit: Door bipartiete matching te gebruiken, is de methode robuust tegen variaties in de volgorde van gebeurtenissen, wat veel voorkomt in medische data.
• Empirische Validatie: Een uitgebreide evaluatie op 36 verschillende medische event logs afgeleid van de MIMIC-IV dataset.

4. Resultaten

De studie evalueerde TS4NAP met twee varianten:

• TS4NAP_T: Gebruikt taxonomische kennis (Sánchez-gelijkenis).
• TS4NAP_B: Baseline variant die alleen exacte code-overeenkomsten gebruikt (booleaanse gelijkenis).

Kernbevindingen:

• Algemene Verbetering: TS4NAP_T presteerde significant beter dan de baseline in 34 van de 36 onderzochte diagnose-categorieën (p-waarde < 0,05).
• Gemiddelde Similariteit: De gemiddelde similariteitsscore voor alle logs was 74% voor de taxonomie-gestuurde methode. De hoogste score was 97% (bij osteoartritis van de knie, M17).
• Invloed van Complexiteit: De verbetering was het grootst in logs met een hoog aantal unieke gebeurtenissen en veel variaties in trajecten. In eenvoudige scenario's met weinig variatie was het verschil minder significant.
• Prefix-lengte: De methode werkt het beste bij korte tot middellange trajecten (prefixlengte ≤ 9). Bij zeer lange trajecten neemt de prestatie af door data-schaarste, maar blijft de taxonomie-gestuurde methode superieur.
• Statistische Significantie: Een t-test bevestigde dat de integratie van taxonomische kennis de voorspellingsnauwkeurigheid statistisch significant verbetert, vooral in complexe medische contexten.

5. Betekenis en Toekomstperspectief

• Klinische Toepasbaarheid: De methode biedt een transparante ondersteuning voor klinische besluitvorming, bedmanagement en personeelsplanning. Omdat het geen "black box" is, is het makkelijker voor artsen om de voorspellingen te vertrouwen en te interpreteren.
• Beperkingen: De berekening is computatievrij intensief (O(n^4) complexiteit voor matching), wat schaalbaarheid bij zeer grote datasets kan beperken. Ook is de methode afhankelijk van de kwaliteit van de codering in de elektronische patiëntendossiers.
• Toekomstig Werk: De auteurs suggereren het integreren van diepe leermethodes (zoals LSTM) waarbij de verliesfunctie wordt verrijkt met taxonomische kennis, en het toevoegen van meer patiëntkenmerken (leeftijd, geslacht) om de voorspellingen verder te verfijnen.

Conclusie:
Het artikel demonstreert dat het benutten van de semantische structuur van medische taxonomieën via grafische matching een krachtige en verklarende methode is om de volgende stap in een patiëntbehandeling te voorspellen. Dit leidt tot nauwkeurigere en klinisch relevantere voorspellingen, vooral in complexe, variabele zorgscenario's.