Generating Counterfactual Patient Timelines from Real-World Data

Deze studie toont aan dat een autoregressief generatief model, getraind op real-world data van meer dan 300.000 patiënten, klinisch plausibele contrafactuele patiënttrajecten kan genereren die bekende klinische patronen reproduceren en zo een fundament leggen voor gepersonaliseerde geneeskunde en *in silico*-trials.

De kern

Stel je voor dat je een tijdmachine hebt, maar dan niet voor tijdreizen in de zin van Terminator, maar voor medische "wat als"-scenario's.

Dit is precies wat deze wetenschappers van de Universiteit van Tokio hebben geprobeerd te bouwen. Ze hebben een slim computerprogramma gemaakt dat kan kijken naar het verleden van een patiënt en dan zeggen: "Oké, wat zou er gebeuren als deze patiënt 15 jaar ouder was, of als zijn ontstekingswaarden veel hoger waren?"

Hier is het verhaal, vertaald naar begrijpelijke taal met een paar creatieve vergelijkingen:

1. De "Medische Netflix" (De Data)

Stel je voor dat je een gigantische bibliotheek hebt met de medische dossiers van 300.000 mensen. In deze bibliotheek staan niet alleen de diagnoses, maar ook elke labuitslag, elke medicijnvoorschrift en elk moment dat iemand het ziekenhuis in of uit ging. Het zijn 400 miljoen pagina's aan geschiedenis.

De onderzoekers hebben een AI (kunstmatige intelligentie) getraind op deze bibliotheek. Je kunt dit zien als een super-leraar die alle verhalen van deze ziekenhuispatiënten heeft gelezen. Deze AI heeft geleerd hoe het lichaam reageert op ziektes, hoe artsen beslissingen nemen en hoe de tijd verloopt in een ziekenhuis.

2. De "Tijdmachine" (Het Model)

Normaal gesproken kijken artsen naar het verleden om het heden te begrijpen. Maar wat als je het verleden kunt aanpassen om het heden te voorspellen?

De AI werkt als een autoregessieve schrijver. Stel je voor dat je een verhaal schrijft, woord voor woord. Deze AI schrijft niet zinnen, maar medische gebeurtenissen.

• Het leest de start van een patiënt (bijv. "Man, 60 jaar, komt binnen met griep").
• Vervolgens schrijft de AI het volgende hoofdstuk: "Krijgt medicijn X, heeft een labuitslag Y".
• En dan het volgende: "Wordt beter" of "Wordt slechter".

Het bijzondere is: je kunt de startzin van het verhaal veranderen. Je kunt tegen de AI zeggen: "Schrijf het verhaal opnieuw, maar deze patiënt is niet 60, maar 75 jaar." De AI schrijft dan een nieuw, alternatief verhaal (een 'counterfactual' of 'tegenwerkelijkheid') dat logisch volgt uit die nieuwe start.

3. De Proef: De COVID-19 Test

Om te bewijzen dat hun tijdmachine echt werkt, hebben ze het getest op patiënten met COVID-19 uit 2023. Ze hebben drie dingen veranderd in de start van het verhaal:

1. Leeftijd: Wat als de patiënt ouder was?
2. Ontsteking (CRP): Wat als de ontstekingswaarden veel hoger waren?
3. Nieren (Creatinine): Wat als de nieren minder goed werkten?

Vervolgens lieten ze de AI het verhaal voor de volgende 7 dagen uitschrijven.

4. De Resultaten: De AI had het bij het rechte eind

Het meest fascinerende is dat de AI niet willekeurige verhalen bedacht. Het schreef verhalen die kloppen met wat echte artsen weten:

• Oudere patiënten: De AI voorspelde dat oudere patiënten vaker overleden. Dat klopt met de medische realiteit.
• Hoge ontstekingswaarden: Als de AI "hoge ontstekingswaarden" als startpunt nam, schreef het dat artsen vaker een specifiek medicijn (Remdesivir) gaven en dat de patiënten vaker overleden. Ook dit klopt: meer ontsteking betekent een ernstigere ziekte.
• Slechte nieren: Als de AI "slechte nieren" als startpunt nam, schreef het dat artsen dat specifieke medicijn niet gaven (want dat is gevaarlijk voor slechte nieren) en dat de patiënten vaker overleden.

De AI had dus geen medische regels in haar hoofd geprogrammeerd. Ze had alleen de data gelezen. Maar door de data te "snappen", leerde ze vanzelf de regels van de medische wereld.

5. Waarom is dit belangrijk? (De Toekomst)

Stel je voor dat je een simulatie-spel voor artsen hebt.

• Voor artsen: Ze kunnen een patiënt zien en zeggen: "Als we dit medicijn geven, wat is dan de kans dat hij over 3 dagen beter is? En wat als hij 10 jaar ouder is?" Het helpt bij het nemen van betere beslissingen.
• Voor onderzoek: Normaal moet je duizenden mensen rekruteren voor een klinische proef om te zien of een medicijn werkt. Met deze AI kun je misschien duizenden virtuele proefpersonen genereren om snel te testen wat er zou gebeuren. Dit heet een in-silico proef (een proef in de computer).
• Voor patiënten: Het kan helpen om te begrijpen waarom een arts een bepaalde keuze maakt. "Kijk, als je je nieren niet zou beschermen, zou dit medicijn gevaarlijk zijn."

Samenvatting

De onderzoekers hebben een AI-tijdmachine gebouwd die is getraind op de levensgeschiedenis van 300.000 mensen. Als je de start van een patiënt verandert (bijv. "ouder" of "ziekere nieren"), schrijft de AI een nieuw, realistisch verhaal over wat er dan zou gebeuren.

Het bewijst dat computers, als ze genoeg medische data hebben gelezen, de complexe logica van ziektes en behandelingen kunnen begrijpen. Het is een eerste, spannende stap naar een toekomst waarin we medische beslissingen kunnen simuleren voordat we ze in het echt toepassen.

Technische samenvatting

Probleemstelling

De kernuitdaging in de klinische geneeskunde is het simuleren van "wat-zou-er-gebeurd-zijn" scenario's (counterfactuals) op patiëntniveau. Hoewel dit potentieel heeft voor gepersonaliseerde geneeskunde en in-silico klinische trials, is het tot nu toe methodologisch zeer moeilijk uitvoerbaar. Traditionele modellen kunnen de complexe interacties tussen fysiologische reacties en door artsen genomen behandelbeslissingen niet adequaat vastleggen. Bestaande generatieve AI-modellen kunnen wel realistische patiënttrajecten genereren, maar hun vermogen om betrouwbare contrafactuele redeneringen uit te voeren (bijvoorbeeld: "wat als deze patiënt 10 jaar ouder was?") is nog niet onderzocht.

Methodologie

1. Dataverzameling en Voorbereiding

• Bron: Longitudinale elektronische gezondheidsdossiers (EHR) van het Universitair Medisch Centrum van Tokio (UMC), gedateerd van januari 2011 tot december 2023.
• Omvang: Meer dan 300.000 unieke patiënten en ongeveer 400 miljoen patiënt-tijdlijnvermeldingen.
• Datastructuur: Gestructureerde data omvatte demografie (geslacht), opname/ontslag, medicatievoorschriften en laboratoriumresultaten. Codes werden gemapt naar ICD-10 (diagnoses) en ATC (medicatie). Laboratoriumwaarden werden genormaliseerd en gediscretiseerd in percentiel-bins (0-100e percentiel).
• Splitsing: Data tot december 2022 werd gebruikt voor training; data uit 2023 (COVID-19 opnames) werd volledig gereserveerd voor validatie en contrafactuele simulatie om temporale bias te voorkomen.

2. Modelarchitectuur

• Type: Een autoregressief generatief model gebaseerd op een decoder-only transformer-architectuur (vergelijkbaar met GPT-2).
• Invoer: Patiënttijdlijnen worden omgezet in sequenties van tokens. De tijdlijn begint met geslacht, gevolgd door leeftijd (in een vector van jaren, maanden, dagen, uren, minuten), en daarna chronologische gebeurtenissen.
• Encodering:
  • Categorieel: Diagnoses, medicatie, labcodes en uitkomsten worden via embedding layers verwerkt.
  • Numeriek: Labwaarden worden via een dedicated numerieke encoder verwerkt.
  • Tijdsgebonden: Leeftijd en tijdsintervallen worden via temporele encoders verwerkt.
  • Opname-encoding: Een leerbaar vector wordt toegevoegd aan vermeldingen tijdens een ziekenhuisopname.
• Training: Het model is getraind met een self-supervised doel (voorspellen van de volgende tijdlijnvermelding) om de cross-entropy loss te minimaliseren. Het model heeft 12 transformer-blokken, een modelgrootte ($d_{model}$) van 768 en 146 miljoen parameters.

3. Contrafactuele Simulatie

• Doelgroep: Patiënten met een bevestigde COVID-19-opname in 2023.
• Interventie: De onderzoekers manipuleerden drie specifieke invoerkenmerken in de prompt:
  1. Leeftijd: +5, +10 of +15 jaar.
  2. CRP (C-reactief proteïne): +50, +100, +150 of +200 mg/L.
  3. Creatinine: +1, +3 of +5 mg/dL.
• Proces: Voor elke patiënt werden 256 Monte Carlo-simulaties uitgevoerd om de waarschijnlijkheid van 7-dagen uitkomsten te schatten. Het model genereerde sequentieel de volgende 7 dagen van de patiënttijdlijn op basis van de gewijzigde invoer.

Belangrijkste Bijdragen

• Eerste Generatieve Model voor Contrafactuele Trajecten: Dit is het eerste werk dat een autoregressief generatief model toepast om volledige patiënttijdlijnen te simuleren onder gewijzigde klinische voorwaarden, in plaats van alleen een enkel uitkomst te voorspellen.
• Self-Supervised Leren zonder Causale Labels: Het model leert complexe fysiologische en therapeutische relaties puur uit waarnemingsdata (real-world data) zonder expliciete causale labels of regelgebaseerde beperkingen.
• Schaalbaarheid: Het model is getraind op een enorme dataset (400 miljoen vermeldingen) en kan binnen seconden nieuwe trajecten genereren, wat schaalbaarheid voor diverse ziektebeelden mogelijk maakt.

Resultaten

De simulaties leverden klinisch plausibele resultaten op die overeenkwamen met gevestigde medische kennis:

1. Verhoogde Leeftijd:

   • Een hogere gesimuleerde leeftijd leidde tot een significant verhoogde sterftecijfer in het ziekenhuis (sterkst bij +15 jaar, $p=0.0055$).
   • Er waren geen consistente trends in het gebruik van remdesivir of de lengte van het ziekenhuisverblijf, wat mogelijk te wijten is aan de al hoge gemiddelde leeftijd van de cohort en strikte ontslagcriteria tijdens de pandemie.

2. Verhoogde CRP (Ontsteking):

   • Hogere CRP-waarden leidden tot een significant verhoogd gebruik van remdesivir (indicatie voor ernstige ontsteking).
   • Er was een toename in sterftecijfers en een significant langere ziekenhuisopname (>7 dagen) bij de hoogste CRP-verhogingen.

3. Verhoogde Creatinine (Nierfunctie):

   • Een verslechterde nierfunctie (hogere creatinine) resulteerde in een significant verlaagd gebruik van remdesivir (in overeenstemming met doseringsrichtlijnen bij nierinsufficiëntie).
   • Er was een sterk verhoogd risico op sterfte en een trend naar langere opnames.

De statistische analyse (t-tests) bevestigde dat de gesimuleerde uitkomsten significant afweken van de werkelijke uitkomsten op een manier die consistent was met klinische verwachtingen.

Betekenis en Conclusie

Dit onderzoek toont aan dat autoregeneratieve generatieve modellen, getraind op grote schaal real-world data, een krachtige basis kunnen vormen voor contrafactuele klinische simulaties.

• Toepassing: Het model kan worden gebruikt voor gepersonaliseerde risicobeoordeling, het genereren van synthetische data voor zeldzame uitkomsten (bijv. sterfgevallen), en het ondersteunen van klinische besluitvorming door "wat-zou-er-gebeurd-zijn" scenario's te visualiseren.
• Algemene Toepasbaarheid: Hoewel de studie zich richtte op COVID-19, is de architectuur ziekte-agnostisch en kan het worden toegepast op chronische ziekten, oncologie en pediatrie.
• Beperkingen: De studie beperkte zich tot het manipuleren van enkele variabelen en simuleerde geen contrafactuele behandelkeuzes (bijv. "wat als we een ander medicijn hadden gegeven?"), wat complexere causale modellering vereist.

Kortom, deze studie markeert een belangrijke stap in de richting van de klinische toepassing van generatieve AI voor het simuleren van complexe patiënttrajecten en het verbeteren van evidentiële besluitvorming.