Exploring machine learning techniques in the context of early-stage clinical research

Wall, H.E.C. van der (2022)

Doctoral Thesis

Als gevolg van de grote technologische vooruitgang in de gezondheidszorg worden in toenemende mate gegevens verzameld tijdens de uitvoering van klinische onderzoeken. Het is evenwel essentieel om te beseffen dat gegevens op zich van weinig of geen waarde zijn. Ten behoeve van hun optimale bruikbaarheid dienen gegevens geanalyseerd, geïnterpreteerd en verwerkt te worden. Machine learning-strategieën kunnen hiertoe nuttige en adequate oplossingen bieden. Dit proefschrift bevat machine learning-benaderingen toegepast op verschillende klinische datasets. De klassieke gegevens bestaan uit elektrische signalen van het electrocardiogram (ecg) verkregen bijgezonde proefpersonen, de innovatieve gegevens zijn afkomstig vanmetingen in een rijsimulator, en de opkomende gegevens zijn afgeleid van dna-analyse van de micro-organismen die op de huid voorkomenvan patiënten met huidziekten. We toonden aan dat het aantal ECG’s van invloed was op de nauwkeurigheid van geschatte verlenging van het qt-interval voor alle ingezette qt-correctieformules. Met behulp van SHapley Additive
exPlanations (shap)-waarden werd de impact van de individuele kenmerken op de voorspelling van fysiologische leeftijd van het hart bepaald. We maakten gebruik van machine learning voor een betere beoordeling van de rijprestaties van bestuurders die medicijnen gebruikten. Tot slot lieten we zien dat de belangrijkste micro-organismen voor discriminatie van seborrroische dermatitis – naast Cutibacterium en Staphylococcus – kwamen relatief weinig voor, waardoor men deze micro-organismen in standaardanalyses eenvoudig over het hoofd kan zien. Daarmee hebben we aangetoond dat machine learning kan
worden toegepast op gegevens die zijn afgeleid van klinische onderzoeken om in een vroeg stadium het effect van medicijnen en andere interventies op te sporen en te evalueren.

• Machine learing
• Artificial Intelligence
• ECG
• Driving simulator
• Microbiome
• Big Data

• All authors: Wall, H.E.C. van der
• Supervisor: Burggraaf, J.; Westen, G.J.P. van
• Co-supervisor: Doll, R.J.
• Committee: Irth, H.; Bouwstra, J.A.; Knibbe, C.A.J.; Rissmann, R.; Gelder, T. van; Zuiker, R.G.J.A.
• Qualification: Doctor (dr.)
• Awarding Institution: Leiden Academic Centre for Drug Research (LACDR), Faculty of Science, Leiden University
• Date: 2022-12-13
• ISBN (print): 9789090368047