Psychosis Prognosis Predictor
In dit project wordt een psychose prognose predictor ontwikkeld die de individuele uitkomsten van patiënten met psychotische stoornissen kan voorspellen. Daarnaast moet deze predictor ook het effect berekenen van de verschillende beïnvloedbare factoren, zoals medicatie en leefstijl.
Doel
Het doel is om patiënten, hun naasten en psychiaters handvatten aan te reiken over hoe een zo gunstig mogelijk prognose kan worden bereikt.
Werkwijze
Na het omschrijven van de uitkomstmaten zal de psychose prognose predictor aan de hand van de bestaande literatuur en met behulp van al bestaande patiënteninformatie worden ontwikkeld. Daarnaast zullen machine learning technieken worden ingezet om de voorspelling verder te personaliseren. Een mooi voorbeeld van machine learning zijn de productadviezen van webshops, gebaseerd op het klikgedrag van de klant. De psychose prognose predictor kan hierdoor afgestemd worden op de behoefte van de individuele patiënt.
Producten
Auteur: Violet van Dee et al.
Magazine: Medrxiv
Link: https://doi.org/10.1101/2025.01.30.25321382
Auteur: Daniël P. J. van Opstal; Seyed Mostafa Kia; Lea Jakob; Metten Somers; Iris E. C. Sommer; Inge Winter-van Rossum; René S. Kahn; Wiepke Cahn; Hugo G. Schnack
Magazine: Acta Psychiatrica Scandinavica
Begin- en eindpagina: 1-13
Auteur: Violet van Dee; Seyed Mostafa Kia; Inge Winter-van Rossum ; René S. Kahn; Wiepke Cahn and Hugo G. Schnack
Magazine: Frontiers
Auteur: Violet van Dee; Wilma Swildens; Hugo G. Schnack; Wiepke Cahn
Magazine: Community Mental Health Journal
Begin- en eindpagina: 300-3013
Link: https://doi.org/10.1007/s10597-024-01399-9
Auteur: Violet van Dee ;Hugo G. Schnack; Wiepke Cahn
Magazine: Schizophrenia Research
Begin- en eindpagina: 133-142
Link: https://doi.org/10.1016/j.schres.2023.02.024
Auteur: Jessica de Nijs; Thijs J. Burger; Ronald J. Janssen; Seyed Mostafa Kia; Daniël P. J. van Opstal; Mariken B. de Koning; Lieuwe de Haan; GROUP investigators, Wiepke Cahn and Hugo G. Schnack
Magazine: NPJ Schizophrenia
Begin- en eindpagina: 7-34
Link: https://doi.org/10.1038/s41537-021-00162-3
Verslagen
Eindverslag
Het Psychose Prognose Predictor (PPP)-project had als doel voorspellingsmodellen te ontwikkelen voor herstel bij mensen met een psychotische stoornis, met nadruk op klinische toepasbaarheid en gezamenlijke besluitvorming. Het project onderzocht hoe wetenschappelijke kennis en data kunnen bijdragen aan betere gesprekken in de spreekkamer over prognose, behandeling en herstel, met oog voor de perspectieven van cliënten, naasten en professionals.
Een belangrijk onderdeel van het project was de actieve betrokkenheid van ervaringsdeskundigen. Een panel van mensen met eigen ervaring en familieleden van mensen met een psychose heeft gedurende het project meegedacht over relevante uitkomsten, de interpretatie van resultaten en de ethische aspecten van het voorspellen van uitkomsten. Hun inbreng leidde tot een beter begrip van het concept ‘herstel’ en de factoren die hiermee samenhangen.
Daarnaast werd een systematische review en meta-analyse uitgevoerd naar voorspellers van herstel, algeheel functioneren en heropname. Hieruit bleek dat algeheel functioneren bij aanvang van de aandoening de sterkste en meest consistente voorspeller is voor herstel.
Op basis van bestaande datasets werd vervolgens een geavanceerd machinelearningmodel ontwikkeld dat meerdere uitkomsten tegelijk kan voorspellen, inclusief een inschatting van de mate van onzekerheid van de voorspellingen. Daarna werd onderzocht of de voorspellingen van het model beter waren dan die van psychiaters en ervaringsdeskundigen. Dit bleek niet het geval: de prestaties waren vergelijkbaar. Alleen bij moeilijk voorspelbare patiënten presteerde het model beter. Tot slot werd gestart met de vertaling van deze kennis naar een digitale beslisondersteunende tool, gericht op het ondersteunen van het gesprek in de spreekkamer.
Het PPP-project heeft zowel wetenschappelijke als maatschappelijke impact door het ontwikkelen van kennis en methoden die bijdragen aan meer gepersonaliseerde en kwalitatief betere zorg voor mensen met een psychotische stoornis. Het project laat zien hoe prognostische informatie op een verantwoorde manier kan worden ingezet ter ondersteuning van gezamenlijke besluitvorming, zonder het klinisch oordeel of de autonomie van de patiënt te vervangen.
Wetenschappelijk heeft het project nieuwe inzichten opgeleverd in voorspellers van herstel. Uit de systematische review en meta-analyse bleek dat functioneren bij aanvang de sterkste en meest consistente voorspeller is voor klinisch herstel, functioneren en heropname. Veel andere veronderstelde voorspellers konden niet worden bevestigd. Daarnaast werd een innovatief machinelearningmodel ontwikkeld dat meerdere uitkomsten tegelijk voorspelt, gebruikmaakt van multimodale en longitudinale data en per voorspelling expliciet onzekerheid weergeeft. Dit model vormt een methodologische vernieuwing en is overdraagbaar naar voorspellingen bij andere aandoeningen.
Maatschappelijk draagt het project bij aan meer passende en mensgerichte zorg. Door intensieve samenwerking met ervaringsdeskundigen, cliënten, naasten en professionals zijn verschillen in perspectief op herstel zichtbaar gemaakt. Waar professionals vooral klinisch herstel benadrukken, hechten cliënten en naasten ook groot belang aan functioneel en persoonlijk herstel. Het expliciet maken van deze verschillen ondersteunt de dialoog in de behandelpraktijk en versterkt gezamenlijke besluitvorming.
Voor zorgprofessionals biedt het model potentie als beslisondersteunend instrument of second opinion, met name bij het bespreken van functioneel herstel. Voor patiënten en naasten kan het bijdragen aan een beter begrip van behandelkeuzes en verwachtingen. De projectuitkomsten worden actief benut in onderwijs en vervolgonderzoek, en de tool zal verder worden doorontwikkeld.
De eerste stappen richting implementatie in een digitale tool laten zien hoe kennisbenutting richting de praktijk vorm kan krijgen. Verdere validatie, evenals implementatie- en gebruiksonderzoek, zijn nodig om duurzame toepassing en impact op de zorgpraktijk en besluitvorming te realiseren.
Kenmerken
-
Projectnummer:
636310011
-
- Looptijd: 100%
Looptijd: 100 %20192024 - Gerelateerde programma's:
- Gerelateerde subsidieronde:
-
Projectleider en penvoerder:
prof. dr. W Cahn
-
Verantwoordelijke organisatie:
Universitair Medisch Centrum Utrecht
