Overview of CHIP 2025 Shared Task 2: Discharge Medication Recommendation for Metabolic Diseases Based on Chinese Electronic Health Records

Stel je een wereld voor waarin je lichaam een complexe stad is, en chronische ziekten zoals diabetes of een hoge bloeddruk als hardnekkige verkeersopstoppingen zijn die nooit lijken op te lossen. Om de stad draaiende te houden, fungeren artsen als verkeersregelaars, waarbij ze specifieke "voertuigen" (medicijnen) voorschrijven om de doorstroming te bevorderen. Maar hier komt het lastige deel bij: elke stad is anders, en elke bestuurder heeft unieke gewoonten. Het uitzoeken van precies welke voertuigen een patiënt mee naar huis moet nemen na een ziekenhuisopname, is een enorme puzzel. Als de verkeerde voertuigen worden gekozen, keren de verkeersopstoppingen terug en kan de patiënt weer in het ziekenhuis belanden. Dit is de kern van "medicatie-aanbeveling", een vakgebied waar wetenschappers proberen computers te gebruiken om artsen te helpen bij deze levensreddende beslissingen te nemen.

Al een tijdje worden computers steeds beter in het lezen van medische aantekeningen, maar ze leerden vooral van Engelstalige verhalen. Dit artikel duikt in een nieuwe, opwindende hoek van de wetenschap: het aanleren aan computers om Chinese ziekenhuisverslagen te lezen om dit puzzelstukje op te lossen. Het kernidee is het gebruik van "Elektronische Gezondheids Dossiers" (EHRs) — wat simpelweg digitale dagboeken zijn van een ziekenhuisverblijf van een patiënt, gevuld met symptomen, laboratoriumtests en geschiedenis — en deze in krachtige "Large Language Models" (LLMs) te voeden. Zie deze LLMs als superintelligente, zeer geleerde bibliothecarissen die miljoenen boeken hebben gelezen en nu kunnen leren om de perfecte medicatielijst voor een specifieke patiënt te voorspellen, enkel door hun verhaal te lezen. Waarom is dit belangrijk? Omdat het krijgen van de juiste medicatie bij ontslag het verschil maakt tussen een patiënt die gezond thuis blijft of weer ziek wordt.

---

De Grote Medicatiepuzzel: CHIP 2025 Shared Task 2

In de bruisende wereld van medische AI werd een nieuwe wedstrijd gelanceerd genaamd "CHIP 2025 Shared Task 2", om te zien of computers de kunst van medicatie-aanbeveling bij ontslag voor metabole ziekten onder de knie kunnen krijgen. Metabole ziekten zijn aandoeningen zoals diabetes en leververvetting, waarbij de energieverwerking van het lichaam een beetje haperend werkt. De organisatoren, een team van de Dalian University of Technology en een lokaal ziekenhuis, wilden zien of AI naar de Chinese ziekenhuisverslagen van een patiënt kon kijken en automatisch de juiste lijst met medicijnen kan voorstellen om mee naar huis te nemen.

Om dit mogelijk te maken, bouwde het team een speciale trainingsgrond genaamd CDrugRed. Stel je dit voor als een enorme, geheime bibliotheek met 5.894 echte ziekenhuisverhalen van 3.190 verschillende patiënten. Deze verhalen werden zorgvuldig opgeschoond om de privacy van patiënten te beschermen, waarbij namen en gezichten werden verwijderd maar de medische details intact bleven. De bibliotheek bevat alles, van de leeftijd en het gewicht van de patiënt tot de uitslagen van laboratoriumtests, hun medische voorgeschiedenis en de feitelijke lijst met medicijnen die de artsen voorschreven toen de patiënt werd ontslagen. Het doel voor de AI was simpel: lees het verhaal en kies de juiste medicijnen uit een menu van 651 mogelijke opties.

De wedstrijd was een groot succes. In totaal meldden 526 teams zich aan om dit puzzelstukje op te lossen, variërend van universiteitsonderzoekers tot technologiebedrijven. Ze werden verdeeld in twee ronden: een oefenronde (Fase A) en de finale confrontatie (Fase B). Uiteindelijk dienden 167 teams hun beste gokken in voor de oefenronde, en 95 teams maakten het tot de definitieve test.

De resultaten waren een mix van "wow" en "er moet nog veel geleerd worden". Het best presterende team, genaamd DeepDrug, slaagde erin een score te behalen die twee verschillende manieren combineerde om succes te meten: een Jaccard-score van 0,5102 en een F1-score van 0,6267. Om dit in perspectief te plaatsen, hadden de onderzoekers een baseline computer-model (een standaard AI getraind op de data) opgezet dat rond de 0,5062 scoorde op de definitieve test. Het beste team versloeg deze baseline, maar niet met een overweldigende voorsprong. Het was een nek-aan-nekrace, waarbij de top tien teams allemaal heel dicht bij elkaar scoorden, wat laat zien dat hoewel AI goed wordt, het nog geen opgelost probleem is.

Dus, hoe hebben de winnaars het gedaan? Het artikel onthult dat het geheime ingrediënt niet alleen één superintelligent robot was, maar een "team van robots" dat samenwerkt. De topteams, zoals DeepDrug en ZZUNLP, gebruikten een strategie genaamd ensemble learning. Stel je voor dat je het antwoord probeert te raden op een moeilijk raadsel. Als je één persoon vraagt, kan die het fout hebben. Maar als je vijf verschillende mensen vraagt en het antwoord neemt waar de meeste van hen het over eens zijn, is de kans veel groter dat je het goed hebt. De winnende teams trainden meerdere verschillende AI-modellen, lieten elk hun eigen lijst met medicijnen maken, en combineerden vervolgens hun antwoorden. Sommige teams gebruikten zelfs "stemmechanismen" waarbij een medicijn pas op de definitieve lijst kwam als minstens twee of drie verschillende modellen het ook suggereerden.

Het artikel benadrukt ook dat deze AI-modellen nog steeds aan het leren zijn. Hoewel de topteams aanzienlijk verbeterden ten opzichte van de baseline, suggereren de scores dat er nog ruimte is voor groei. De onderzoekers merken op dat de taak lastig is omdat patiënten allemaal verschillend zijn en de medische tekst rommelig en vol jargon is. De winnende benaderingen vertrouwden niet alleen op brute rekenkracht; ze gebruikten slimme trucs zoals "data augmentation" (het creëren van nep maar realistische variaties van patiëntverhalen om de AI beter te laten leren) en "prompt engineering" (het de AI precies leren hoe ze de medische aantekeningen moet lezen).

Uiteindelijk toonde deze wedstrijd aan dat geavanceerde AI, vooral modellen gebaseerd op Large Language Models, echt potentieel heeft om artsen in China te helpen bij het beheer van chronische ziekten. Het bewees dat met de juiste data en slim teamwork, computers kunnen beginnen met het begrijpen van de complexe verhalen van de menselijke gezondheid. De auteurs wijzen er echter voorzichtig op dat dit pas het begin is. Uitdagingen zoals zeldzame ziekten, ongebalanceerde data en het waarborgen dat de AI in verschillende ziekenhuizen werkt, moeten nog worden opgelost. Voor nu staat de deur open voor meer onderzoekers om zich bij het feestje aan te sluiten, gebruikmakend van de CDrugRed-dataset om zelfs intelligentere tools te bouwen die er op een dag voor kunnen zorgen dat elke patiënt het ziekenhuis verlaat met het perfecte recept in de hand.