Achtergrondinformatie
Studie 3 wordt uitgevoerd door promovendus Iris ten Klooster bij de Faculteit Behavioural, Management and Social Sciences (BMS).
Doelstellingen
1. Het ontwikkelen van een predictief model voor ulcers en amputaties.
In samenwerking met het ZGT wordt er een predictief model ontwikkeld voor ulcers en amputaties. Hiervoor worden data uit de elektronische patientendossiers gebruikt. Cardiovasculaire variabelen (bijv. duur van hartfalen, hartslag, systolische en dystolische bloeddruk), comorbiditeiten (bijv. hypertensie, COPD), demografische variabelen (bijv. geslacht en leeftijd), gedragsdata (bijv. alcoholconsumptie, roken) en biomedische variabelen (bijv. historie van ulcers, tests van de leverfunctie) worden hierbij in een machine learning model gebruikt om vervolgens te komen tot een voorspelling van ulcers en amputaties.
2. De behoeften van de eindgebruikers van het EWS in kaart brengen.
Door middel van interviews worden de behoeften van de eindgebruikers van het EWS in kaart gebracht. Daarnaast wordt er een methode ontwikkeld voor het samenstellen van personas waarmee het Early Warning System gepersonaliseerd kan worden naar kenmerken van de eindgebruikers van het systeem. Deze methode kan gebruikt worden om een groot aantal kenmerken van de patiënten mee te nemen en deze te laten clusteren in groepen die elk worden gerepresenteerd in een van de beschreven personas. Om ervoor te zorgen dat het systeem verder aangepast kan worden naar de eindgebruiker van het Early Warning System, wordt er ook een literatuuronderzoek uitgevoerd naar het integreren van personalisatie in eHealth systemen. Daarbij zal duidelijk worden op welke manieren personalisatie kan worden geïntegreerd in een eHealth systeem, welke kenmerken van de gebruiker daarbij in kaart gebracht moeten worden en welke personalisatiestrategie de effectiviteit van eHealth kan verhogen.
Publicaties
[1] Klooster ten, I., Wentzel, J., Sieverink, F., Linssen, G., Wesselink, R., van Gemert-Pijnen, L. Personas for Better Targeted eHealth Technologies: User-Centered Design Approach. JMIR Hum Factors. 2022 Mar 15;9(1):e24172. doi: 10.2196/24172. PMID: 35289759; PMCID: PMC8965674.
[2] Klooster ten, I., Kip, H., Kelders, S.M., Crutzen, R., & Gemert-Pijnen, J.E.W.C. (2020). How are eHealth Interventions Personalized? A Systematic Review. Abstract submitted for ARPH Conference 2021.
[3] Rathikumar J.R, Klooster I. T. 2 OCT 2019. Data Driven Personalized Self-Management of Patients with Heart Failure & Diabetic Foot. In Integrative approach to predict and manage high risk factors. Data2Person seminar.
[4] Sieverink, F., Wentzel, J., ten Klooster, I., & van Gemert-Pijnen, L. J. E. W. C. (2019). How Would You Like Your Tech? Personas for Perfectly Cooked eHealth Technology. Poster session presented at 14th International Conference on Persuasive Technology, PERSUASIVE 2019, Limassol, Cyprus.
[5] Klooster ten, I., Kip, H., Gemert-Pijnen van, J.E.W.C. Crutzen, R., Kelders, S.M. A Systematic Review on eHealth Technology Personalization Approaches, ISCIENCE (2024), doi: https://doi.org/10.1016/j.isci.2024.110771.
[6] Klooster ten, I., Kip, H., Beyer, S.L., van Gemert-Pijnen, L.J.E.W.C., Kelders, S.M. Clarifying the Concepts of Personalization and Tailoring of eHealth Technologies: Multimethod Qualitative Study. J Med Internet Res. 2024 Nov 13;26:e50497. doi: 10.2196/50497. PMID: 39536317; PMCID: PMC11602766.
Soon to be submitted:
Klooster ten I, Machens A, Kelders S, Crutzen R, Gemert-Pijnen L. Predicting Diabetic Foot Ulcers and Amputations: A Machine Learning Approach using Electronic Health Records. In January/February 2025 to be submitted to the Journal of the American Medical Informatics Association.
Klooster ten I, Kelders S, Kip H, Crutzen R, van Gemert-Pijnen L. Exploring Scenarios, Values and Attributes of Two Machine Learning Models Predicting Diabetic Foot Ulcers and Amputations in Diabetes Care: A Stakeholder Interview Study. Submitted to SAGE Digital Health.