Drug-Resistant Epilepsy Prediction Using Deep Learning
Versnelling van de Diagnose van Medicijnresistente Epilepsie met Deep Learning-modellen
problem
Onze klant, een multinationaal biofarmaceutisch bedrijf gevestigd in Europa, richt zich op het onderzoek naar en de ontwikkeling van medicijnen voor diverse neurologische aandoeningen, waaronder epilepsie en de ziekten van Parkinson en Crohn. In het geval van epilepsie — een aandoening die wereldwijd ongeveer 65 miljoen mensen treft — ervaart een aanzienlijk deel medicijnresistente epilepsie (DRE), waarbij aanvallen aanhouden ondanks behandeling. Het diagnosticeren van DRE vereist doorgaans meerdere jaren van het uitproberen van verschillende medicijnen, wat een effectieve behandeling vertraagt en de levenskwaliteit van patiënten aantast. De uitdaging was om de identificatie van gevallen van medicijnresistente epilepsie te versnellen, waardoor sneller ingrijpen en betere patiëntresultaten mogelijk worden.
problem
Onze klant, een multinationaal biofarmaceutisch bedrijf gevestigd in Europa, richt zich op het onderzoek naar en de ontwikkeling van medicijnen voor diverse neurologische aandoeningen, waaronder epilepsie en de ziekten van Parkinson en Crohn. In het geval van epilepsie — een aandoening die wereldwijd ongeveer 65 miljoen mensen treft — ervaart een aanzienlijk deel medicijnresistente epilepsie (DRE), waarbij aanvallen aanhouden ondanks behandeling. Het diagnosticeren van DRE vereist doorgaans meerdere jaren van het uitproberen van verschillende medicijnen, wat een effectieve behandeling vertraagt en de levenskwaliteit van patiënten aantast. De uitdaging was om de identificatie van gevallen van medicijnresistente epilepsie te versnellen, waardoor sneller ingrijpen en betere patiëntresultaten mogelijk worden.
solution
Ons team startte een onderzoeksproject gericht op Amerikaanse patiëntgegevens verstrekt door Symphony Health, die ongeveer 450.000 personen met epilepsie omvatten. De dataset bestond uit geanonimiseerde informatie zoals geslacht, leeftijd, diagnoses, medische verrichtingen en voorgeschreven medicatie. Voortbouwend op de bestaande onderzoeksresultaten van de klant — waarbij gebruik werd gemaakt van een 'feature-based' model dat expertkennis combineerde met machine learning — kozen wij voor een deep learning-benadering. We hebben verschillende deep learning-modellen ontwikkeld en geëvalueerd, waaronder het Hierarchical Attention LSTM-netwerk, ULMfit, een standaard LSTM en het SWEM-concatenatiemodel, met behulp van de frameworks PyTorch en TensorFlow.
solution
Ons team startte een onderzoeksproject gericht op Amerikaanse patiëntgegevens verstrekt door Symphony Health, die ongeveer 450.000 personen met epilepsie omvatten. De dataset bestond uit geanonimiseerde informatie zoals geslacht, leeftijd, diagnoses, medische verrichtingen en voorgeschreven medicatie. Voortbouwend op de bestaande onderzoeksresultaten van de klant — waarbij gebruik werd gemaakt van een 'feature-based' model dat expertkennis combineerde met machine learning — kozen wij voor een deep learning-benadering. We hebben verschillende deep learning-modellen ontwikkeld en geëvalueerd, waaronder het Hierarchical Attention LSTM-netwerk, ULMfit, een standaard LSTM en het SWEM-concatenatiemodel, met behulp van de frameworks PyTorch en TensorFlow.
results
Door gebruik te maken van een deep learning-benadering hebben we een 'end-to-end'-model ontwikkeld dat rechtstreeks leert van ruwe data, waardoor menselijke expertise niet langer noodzakelijk is voor de data-interpretatie. Deze aanpak resulteerde in een DRE-identificatiemodel met een nauwkeurigheid van 81%, waarmee het de eerdere op experts gebaseerde methode (77,7%) overtrof. Naarmate het model blijft leren van aanvullende data, zal de nauwkeurigheid naar verwachting verder toenemen. In onze lopende samenwerking met de klant werken we aan de certificering van het model door de FDA, een proces dat tijd vergt. Daarnaast heeft ons team waardevolle inzichten uit het model verkregen, zoals het verband tussen depressie en DRE, wat experts helpt om gevallen effectiever te identificeren. Het project is veilig uitgevoerd binnen de 'remote desktop'-infrastructuur van Azure, waarmee de naleving van de regelgeving op het gebied van gegevensbescherming werd gewaarborgd.
results
Door gebruik te maken van een deep learning-benadering hebben we een 'end-to-end'-model ontwikkeld dat rechtstreeks leert van ruwe data, waardoor menselijke expertise niet langer noodzakelijk is voor de data-interpretatie. Deze aanpak resulteerde in een DRE-identificatiemodel met een nauwkeurigheid van 81%, waarmee het de eerdere op experts gebaseerde methode (77,7%) overtrof. Naarmate het model blijft leren van aanvullende data, zal de nauwkeurigheid naar verwachting verder toenemen. In onze lopende samenwerking met de klant werken we aan de certificering van het model door de FDA, een proces dat tijd vergt. Daarnaast heeft ons team waardevolle inzichten uit het model verkregen, zoals het verband tussen depressie en DRE, wat experts helpt om gevallen effectiever te identificeren. Het project is veilig uitgevoerd binnen de 'remote desktop'-infrastructuur van Azure, waarmee de naleving van de regelgeving op het gebied van gegevensbescherming werd gewaarborgd.
tech stack
tech stack
