📄 health informatics

Forecasting laboratory measurements from longitudinal electronic health records

Het artikel introduceert LaBERT, een transformer-gebaseerd model dat baseline-methoden aanzienlijk overtreft in het voorspellen van toekomstige laboratoriummetingen uit longitudinale elektronische gezondheidsdossiers door effectief klinisch betekenisvolle behandelingseffecten te leren en gepersonaliseerde klinische besluitvormingsondersteuning mogelijk te maken.

Oorspronkelijke auteurs: Firoozbakht, F., Baumabach, J.

Gepubliceerd 2026-08-13

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Firoozbakht, F., Baumabach, J.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je probeert te raden hoe het weer volgende week zal zijn. Je zou gewoon naar de lucht van dit moment kunnen kijken en zeggen: "Het is zonnig, dus het zal morgen waarschijnlijk ook zonnig zijn." Dat is een redelijke gok, maar het mist het grotere plaatje. Wat als er een stormsysteem vanuit het westen nadert? Wat als het al drie dagen achter elkaar regent? Om het goed te krijgen, moet je naar het hele verhaal kijken: de geschiedenis van het weer, de temperatuurtrends en zelfs wat de weersvoorspellers gisteren zeiden.

In de wereld van de geneeskunde staan artsen voor een vergelijkbare puzzel. Zij hebben het "medische weerbericht" van een patiënt, een lange lijst met cijfers en aantekeningen die Elektronische Gezondheids Dossiers (EHR's) worden genoemd. Deze dossiers houden zaken bij zoals bloedtestresultaten, medicatie en hoe een patiënt zich in de loop van de tijd voelt. De grote vraag is: kunnen we deze rommelige, ingewikkelde geschiedenis gebruiken om te voorspellen hoe de gezondheidscijfers van een patiënt eruit zullen zien bij hun volgende doktersbezoek? Als we dit zouden kunnen doen, zou het zijn alsoan het hebben van een kristallen bol die artsen helpt om problemen op te sporen voordat ze gebeuren, waardoor ze behandelingen net op tijd kunnen aanpassen. Dit is de uitdaging van het "voorspellen" van de gezondheid van een patiënt, en dat is lastig omdat elk lichaam anders reageert en de data vaak rommelig zijn en vol hiaten zitten.

Maak kennis met LaBERT, een nieuw computerbrein ontworpen door onderzoekers Farzaneh Firoozbakht en Jan Baumbach om precies deze puzzel op te lossen. Denk aan LaBERT als een super slimme detective die niet alleen naar de nieuwste aanwijzing kijkt (de meest recente bloedtest), maar het hele dossier leest. Deze detective is getraind op een enorme bibliotheek van echte medische dossiers van meer dan 255.000 patiënten, met daarin meer dan een half miljoen ziekenhuisbezoeken.

Hier is hoe LaBERT werkt en wat het heeft gevonden:

De gereedschapskist van de detective
De meeste computermodellen proberen de geschiedenis van een patiënt om te zetten in een simpele lijst met woorden, zoals een verhalenboek. Maar LaBERT is anders. Het behandelt verschillende soorten medische gegevens op hun eigen speciale manier. Het weet dat een medicatienaam anders is dan een bloeddrukgetal. In plaats van alles tot tekst samen te persen, gebruikt het een speciaal "translatiesysteem" dat de getallen als getallen behoudt en de medicijnnamen als namen, zodat het model de unieke vorm van elk stuk informatie begrijpt.

Cruciaal is dat LaBERT niet naar één bezoek in isolatie kijkt. Het gebruikt een "herinneringspad". Stel je een wandelaar voor die bij elke kampeerplaats een rugzak achterlaat. Wanneer de wandelaar de volgende kampeerplaats bereikt, kijkt hij niet alleen naar de nieuwe plek; hij controleert de rugzakken van alle vorige kampeerplaatsen om te zien waar hij is geweest en waar hij mogelijk naartoe gaat. LaBERT doet dit door het huidige bezoek te combineren met een "latente geschiedenis" van alle voorgaande bezoeken. De onderzoekers testten drie manieren om deze rugzak mee te dragen: alleen de oude info toevoegen, een "poort" gebruiken om te beslissen hoeveel oude info te bewaren, of een complex geheugencel gebruiken. Ze vonden dat de "poort"-methode het beste werkte, waardoor het model adaptief een balans kan vinden tussen wat er gisteren gebeurde en wat er vandaag gebeurt.

De resultaten: Beter dan de basis
Het team testte LaBERT tegenover enkele simpelere methoden. Eén daarvan was de "baseline"-benadering, die er simpelweg van uitgaat dat je volgende bloedtest exact hetzelfde zal zijn als je laatste. Een andere was een standaard computermodel (MLP) dat niet beschikte over de fancy "geheugen"- of "translatie"-vaardigheden.

De resultaten waren duidelijk: LaBERT won.

Het verminderde de gemiddelde fout in zijn voorspellingen (Mean Squared Error) van 0,77 naar 0,53.
Het verbeterde zijn vermogen om veranderingen in de gezondheid van een patiënt te verklaren (de R² score) van 0,29 naar 0,51.

Dit betekent dat LaBERT niet alleen maar gokt; het leert daadwerkelijk de complexe dans tussen de geschiedenis van een patiënt, hun behandelingen en hun toekomstige gezondheid.

Begrijpt het daadwerkelijk de geneeskunde?
Om te controleren of LaBERT niet alleen patronen uit het hoofd leert zonder ze te begrijpen, speelden de onderzoekers een spel van "wat als". Ze namen echte patiëntendossiers en vervingen de werkelijke medicijnen door willekeurige, nepmedicijnen. Ze ontdekten dat in 81% van de gevallen het model de toekomstige gezondheidstoestand veel nauwkeuriger voorspelde wanneer het de echte medicijnen gebruikte dan wanneer het de nepmedicijnen gebruikte. Dit suggereert dat LaBERT heeft geleerd dat specifieke medicijnen leiden tot specifieke veranderingen in het lichaam.

Ze gingen nog een stap verder met een "counterfactual" experiment. Ze vroegen het model: "Als deze patiënt Warfarine (een bloedverdunner) neemt, wat gebeurt er dan met de INR (een bloedstolingsgetal)?" en "Als ze Heparine nemen, wat gebeurt er met de PTT?"

Wanneer het model Warfarine zag, voorspelde het in 100% van de gevallen een stijging van de INR over verschillende testruns heen.
Wanneer het model Heparine zag, voorspelde het een stijging van de PTT in 82% tot 89% van de runs.

Deze resultaten hielden stand of het model nu de gezondheidstoestand 0,5 dag later of 30 dagen later voorspelde. Dit toont aan dat het model echte, gevestigde medische regels heeft geleerd, en niet slechts willekeurige ruis.

Wat LaBERT niet doet
Het is belangrijk om op te merken wat dit model niet doet. De onderzoekers geven expliciet aan dat LaBERT leert van observationele data — wat er daadwerkelijk in ziekenhuizen gebeurde. Het bewijst geen causaliteit. Bijvoorbeeld, het model kan voorspellen dat patiënten die insuline gebruiken een hogere bloedsuikerspiegel hebben. Dit komt niet omdat insuline de bloedsuikerspiegel verhoogt (het verlaagt deze juist); het komt omdat artsen insuline geven aan patiënten die al een zeer hoge bloedsuikerspiegel hebben. Het model reproduceert getrouw dit real-world patroon, maar het weet niet magisch de biologische oorzaak-gevolgrelatie, tenzij het dat wordt verteld. De auteurs waarschuwen dat deze voorspellingen "observationele voorspellingen" zijn, en geen absolute causale waarheden, en dat ze gebruikt moeten worden om het oordeel van een arts te ondersteunen, niet om dit te vervangen.

De kern van het verhaal
LaBERT is een krachtig nieuw instrument dat laat zien dat we de lange, rommelige geschiedenis van het leven van een patiënt kunnen gebruiken om hun toekomstige gezondheidscijfers met verrassende nauwkeurigheid te voorspellen. Door tijd, medicatie en laboratoriumresultaten te behandelen als een verbonden verhaal in plaats van een lijst met geïsoleerde feiten, biedt het een blik op een toekomst waarin artsen verschillende behandelpaden kunnen simuleren en degene kunnen kiezen die het meest waarschijnlijk is om hun patiënten gezond te houden. Hoewel het geen toverstaf is die alle medische mysteries oplost, is het een belangrijke stap richting gepersonaliseerde, vooruitziende geneeskunde.

Technische Samenvatting: LaBERT voor het voorspellen van laboratoriummetingen uit longitudinale EHRs

Probleemstelling

Het voorspellen van toekomstige laboratoriummetingen van een patiënt vanuit longitudinale elektronische gezondheidsdossiers (EHRs) is een cruciale uitdaging in de gepersonaliseerde geneeskunde, wat potentieel ondersteuning kan bieden bij ziektebewaking en behandelplanning. De nauwkeurige voorspelling wordt echter bemoeilijkt door de complexe, hoogst geïndividualiseerde klinische trajecten van patiënten, die niet-lineaire interacties omvatten tussen ziekteprogressie, therapeutische interventies en individuele geschiedenis. Hoewel recente ontwikkelingen in deep learning discrete gebeurtenisvoorspellingen hebben aangepakt (bijv. mortaliteit, risicoscores) en kortetermijnvoorspellingen op de IC hebben verbeterd, is er een aanzienlijke kloof in methoden die in staat zijn tot het voorspellen van continue laboratoriummetingen bij daaropvolgende, schaarse klinische bezoeken. Bestaande benaderingen zoals LabTOP zijn beperkt tot hoog-densiteitsdata op de IC en kortetermijnhorizon, en missen de toepasbaarheid op de irreguliere, schaarse aard van algemene ziekenhuis- en poliklinische longitudinale data.

Methodologie

Dataset en Preprocessing

De studie maakte gebruik van de MIMIC-IV database, bestaande uit gede-identificeerde longitudinale data van 299.712 patiënten over 431.231 ziekenhuisopnames (2008–2019). De dataset werd verwerkt naar het Medical Event Data Standard (MEDS) formaat, waarbij gegevens werden georganiseerd in chronologisch geordende sequenties van klinische gebeurtenissen per bezoek.

Kenmerken: Het model verwerkte 50 kenmerken, inclus\n bij statische demografie, diagnoses (ICD-9/10), procedures (ICD-9/10-PCS), medicatie (generieke namen), vitale functies en 44 continue laboratoriummetingen (geselecteerd op basis van ≥20% dekking).
Sequentieconstructie: Elk patiëntbezoek werd behandeld als een sequentie van tokens met een vaste contextlengte van 250.
Normalisatie: Continue variabelen ondergingen log-transformatie voor scheefheid, outlier clipping (10 MAD) en standaardisatie naar een gemiddelde van nul en een variantie van één. Tijdintervallen ( $\Delta t$ ) tussen bezoeken werden log-getransformeerd en geschaald naar [0, 1].
Cohort: De uiteindelijke dataset bevatte 583.535 bezoeken van 255.769 patiënten, met een train/validatie/test-verdeling van 70/15/15.

Modelarchitectuur: LaBERT

LaBERT is een transformer-gebaseerd framework ontworpen om continue laboratoriumwaarden op een toekomstig tijdstip ( $t + \Delta t$ ) te voorspellen, gegeven de huidige patiëntstatus en geschiedenis.

Heterogene Klinische Representatie:
- Discrete variabelen (diagnoses, medicatie, procedures) worden in kaart gebracht via leerbare lookup-embeddings.
- Continue variabelen (labwaarden, vitale functies, tijdintervallen) worden geprojecteerd in de embedding-ruimte via toegewijde lineaire lagen.
- Feature-Aware Tokenization: In tegen tegenover standaard transformers die positional embeddings gebruiken om volgorde te coderen, wijst LaBERT leerbare feature-specifieke embeddings toe aan elk type token. Dit stelt het model in staat om heterogene variabelen gezamenlijk te modelleren binnen een uniforme self-attention architectuur, onafhankelijk van hun sequentiële volgorde.
Longitudinale Geschiedenis Modellering:
Om afhankelijkheden over meerdere bezoeken te vangen, propageert LaBERT een latente geschiedenisstatus ( $H_t$ ) via een gated recurrent mechanisme. Het model evalueerde drie integratiestrategieën:
- Additief: Lineaire projectie van de geschiedenis toegevoegd aan de representatie van het huidige bezoek.
- Gated: Een sigmoid gate balanceert adaptief tussen verleden en heden.
- LSTM-gebaseerd: Expliciete verborgen en cel-states met input-, forget- en output-gates.
  Het gated integratiemechanisme werd geïdentificeerd als de optimale aanpak, die de andere strategieën overtrof.
Tijd-geconditioneerde Voorspelling:
Het model incorporeert expliciet het tijdsinterval ( $\Delta t$ ) tussen het huidige en het toekomstige bezoek als een input-token, wat voorspellingen mogelijk maakt over willekeurige tijdshorizon in plaats van vaste intervallen.
Trainingsdoel:
Het model minimaliseert de Mean Squared Error (MSE) tussen de voorspelde en geobserveerde laboratoriumwaarden voor het volgende klinische bezoek.

Belangrijkste Resultaten

Voorspellende Prestaties

Geëvalueerd op 583.535 bezoeken, presteerde LaBERT consequent beter dan drie baseline-methoden:

Vs. Last Observation Carried Forward: LaBERT verminderde de MSE van 0,76 naar 0,55 (~28% reductie) en verbeterde de coëfficiënt van determinatie ( $R^2$ ) van 0,30 naar 0,50.
Vs. Multilayer Perceptron (MLP): LaBERT verminderde de MSE van 0,60 naar 0,55 en verbeterde $R^2$ van 0,45 naar 0,50, wat de waarde van sequentiemodellering en attention-mechanismen aantoont.
Vs. LabTOP: Wanneer aangepast aan dezelfde voorspellingssetting, presteerde LaBERT significant beter dan de GPT-2-gebaseerde LabTOP, waarbij $R^2$ verbeterde van -3,7 (slechter dan het voorspellen van het gemiddelde) naar 0,77.

Longitudinale en Temporele Bijdragen

Geschiedenis Integratie: Het opnemen van longitudinale geschiedenis via gated integratie verminderde de MSE verder met 3,4% vergeleken met een basismodel zonder geschiedenis, waarbij de globale Pearson-correlatie steeg van 0,70 naar 0,72.
Tijdinterval ( $\Delta t$ ): Het verwijderen van $\Delta t$ als input-token verhoogde de voorspellingsfout, waarbij het gat groter werd naarmate de voorspellingshorizon toenam. Dit bevestigt dat het model temporeel coherente representaties leert in plaats van enkel te vertrouwen op statische kenmerken.
Demografie: Ablatie-studies toonden aan dat het toevoegen van leeftijd, geslacht en ras als input-tokens de prestaties niet verbeterde, wat suggereert dat deze factoren grotendeels redundant zijn met de longitudinale klinische traject die door het model wordt gevangen.

Robuustheid en Klinische Betekenisvolheid

Meetfrequentie: De voorspellingsfout (NRMSE) vertoonde geen sterke correlatie met de meetfrequentie. Hoge nauwkeurigheid werd gedreven door inter-variabele correlaties (bijv. MCV/MCH) en temporele stabiliteit, niet door datadichtheid.
Medicatie Perturbatie: In 81% van de bezoeken waren voorspellingen met de originele medicatie nauwkeuriger dan met gerandomiseerde medicatiesets, wat aangeeft dat het model informatie over behandeling leert.
Counterfactual Analyse: LaBERT reproduceerde succesvol gevestigde farmacologische effecten in gecontroleerde simulaties:
- Warfarine: Voorspelde een verhoogde INR in 100% van de vergelijkingen over 11 model-seeds.
- Heparine: Voorspelde een verhoogde aPTT in 82–89% van de vergelijkingen.
  Deze effecten waren consistent over voorspellingshorizonnen variërend van 0,5 tot 30 dagen.

Betekenis en Claims

De auteurs positioneren LaBERT als een fundamenteel framework voor behandeling-afhankelijke patiënt-toestand simulatie en gepersonaliseerde klinische besluitvormingsondersteuning. Belangrijke claims zijn:

Eerste Verenigd Framework: Naar weten van de auteurs is LaBERT de eerste methode die heterogene klinische representaties, feature-aware token-modellering, expliciete longitudinale geschiedenis-integratie en tijd-geconditioneerde voorspelling combineert binnen een enkel transformer-framework voor het voorspellen van toekomstige fysiologische toestanden.
Klinische Interpreteerbaarheid: Het vermogen van het model om bekende medicatie-effecten (Warfarine-INR, Heparine-aPTT) te reproduceren in counterfactual settings, demonstreert dat het klinisch betekenisvolle, behandeling-afhankelijke associaties leert van observationele data.
Beperkingen en Causaliteit: De auteurs stellen expliciet dat LaBERT associaties leert van observationele EHR-data, en geen causale effecten. Ze waarschuwen dat het model biases kan reproduceren die inherent zijn aan de toewijzing van behandelingen (bijv. "confounding by indication", waarbij insuline wordt voorgeschreven aan patiënten met een hogere glucose). Daarom moeten voorspellingen worden beschouwd als observationele voorspellingen ter aanvulling van, en niet ter vervanging van, klinisch oordeel of prospectieve studies.
Toekomstige Richting: Het artikel suggereert dat het integreren van dergelijke longitudinale representaties met gestructureerde biomedische kennis (bijv. kennisgrafen) de interpreteerbaarheid kan verbeteren en biologisch geïnformeerde simulaties mogelijk kan maken.

Dit werk vestigt een robuuste computationele aanpak voor het voorspellen van continue klinische metingen, waarbij de focus verschuift van discrete gebeurtenisvoorspelling naar kwantitatieve, tijd-bewuste voorspellingen van patiënttrajecten.