181 MAASTRO KnOWlEDGE EnGinEERinG MAASTRO knowl edge engine ering houdt zich bezig met de ontwikkeling van beslissingsondersteunende systemen voor artsen en patiënten. Hierin worden naast eigen onderzoeksresultaten ook data uit andere centra uit de literatuur bij gebruikt. Deze onderzoeksgroep bouwt een wereldwijde IT-infrastructuur tussen radiotherapie-instellingen, zodat op een uniforme wijze data uit diverse domeinen (biologie, fysica, beeldvorming, kliniek) kunnen worden vastgelegd en wiskundige voorspellingsmodellen kunnen worden ontwikkeld (nomogrammen) die computermatig betrouwbare voorspellingen doen van het resultaat van een behandeling. Daarnaast wordt op een alternatieve manier, dus naast evidence-based medicine, informatie vergaard voor de ondersteuning van therapiekeuzes. Die methode wordt wel Rapid Learning genoemd. Het basisidee is om gegevens uit de dagelijkse klinische praktijk te gebruiken voor beslissingen bij nieuwe patiënten. Dit heeft als voordeel dat informatie van veel meer patiënten gebruikt kan worden om behandelingen te optimaliseren, dan die van de drie procent van de patiënten die aan klinische studies deelnemen. Selectiebias kan zo vermeden worden. Het nadeel van de methode is dat de kwaliteit van deze data lager is dan die uit klinische studies. Rapid learning levert andere inzichten op. Gecontroleerde klinische studies zijn vooral bedoeld om kleine verbeteringen in resultaten MAASTRO ‘Learning Intelligence’ netwerk anno 2013. te ontdekken tussen twee behandelingen in een zo homogeen mogelijke groep patiënten. Rapid Learning zal met name grote verschillen in behandelresultaten ontdekken die voortkomen uit de heterogeniteit van de patiënten. Het koppelen en analyseren van die digitale data zal nieuwe inzichten opleveren en nieuwe hypothesen voor onderzoek (en gecontroleerde studies) genereren. Ten slotte is Rapid Learning ook te zien als alternatief voor situaties waarin bewijs conform evidence-based medicine ontbreekt. Dat is vaak het geval bij technologische innovaties (IMRT, protonen) binnen de radiotherapie. Het is een nieuwe methode van onderzoek die zich nog moet bewijzen als aanvulling op de klassieke benadering van evidence-based medicine. Radiotherapie lijkt een ideale discipline om de waarde van Rapid Learning te onderzoeken omdat, naast de hoge graad van informatisering, de bekendheid en acceptatie van voorspellende modellen binnen dit vakgebied groot is. Binnen de klinische radiotherapie zullen naar verwachting modellen en planningsystemen beschikbaar komen die het mogelijk maken niet alleen te plannen op basis van fysische bestralingsdoses en dosis-volume-histogramwaarden, maar die ook de relatie kunnen leggen naar de klinische uitkomsten die verwacht kunnen worden bij de individuele patiënt. MAASTRO was en is de pionier in Rapid learning health care in de oncologie en dit heeft ook al vele beslishulpen opgeleverd, zoals MAASTRO C L INI C Cancer Prediction Models (www.predictcancer.org), een open source shared decision making tool (www.treatmentchoice.info) en een website om gepubliceerde data open source te zetten (www.cancerdata.org). Prepare Learn Acquire clinical imaging and biomedical data Follow-up • Outcome • Toxicity Evidence and regulations • Guidelines • Literature • Clinical trials Evidence and regulations • Guidelines • Literature • Clinical trials Knowledge-driven health care Treat State-of-the-art therapy Adapt during treatment Decision support Data aggregation Data provenance and governance Quality assurance Warehousing Knowledge-driven feedback Een gezondheidszorgsysteem dat gebaseerd is op klinische en biomedische data en bestaande richtlijnen, maar dat ook op basis van dagelijkse ervaringen bij individuele patiënten leert en aangepast wordt en waarbij sprake is van een permanente kwaliteitsborging.
Boek Maastro NL binnenwerk.indb
To see the actual publication please follow the link above