Marjolein Fokkema: 'Algoritmen maken steeds flexibelere beslisbomen voor behandelaars'

Voorspellingen doen over emotionele problemen of de effecten van lichtvervuiling: algoritmen van Marjolein Fokkema kunnen het steeds beter. Ze maakt haar algoritmen steeds flexibeler, zodat ze niet alleen kenmerken op één moment kunnen voorspellen, maar ook hoe bijvoorbeeld vaardigheden toe- of afnemen.

De grootste jeugd-GGZ-organisatie van het Verenigd Koninkrijk, het Anna Freud Centre, heeft een enorme schat aan data over meer dan 400.000 kinderen. Marjolein Fokkema ontmoette de oprichter van hun evidence-based practice unit op een congres. Ze bleek erg geïnteresseerd in Fokkema's algoritmen. Samen begonnen ze deze toe te passen op de data van het Anna Freud Centre.

Fokkema: 'Mijn algoritmen kunnen voor- en achteruitgang in de mentale gezondheid van kinderen en jongeren helpen voorspellen. Ze maken op basis van data een overzichtelijke beslisboom of stroomschema, die een behandelaar gemakkelijk kan raadplegen.'

De belangrijkste voorspeller van een leerachterstand is de eerste split van de beslisboom

Je ‘voert’ zo'n algoritme eerst veel kenmerken van veel kinderen, bijvoorbeeld over de thuissituatie en uitkomsten uit tests. Dan onderzoekt het algoritme welk kenmerk de belangrijkste voorspeller is van bijvoorbeeld een leerachterstand: dat kenmerk vormt de eerste split of vertakking in de beslisboom. Daarna kijkt het wat het een-na-belangrijkste kenmerk is, enzovoort. De behandelaar kan met deze beslisboom zien in welke volgorde zij of hij relevante kenmerken moet uitzoeken voor het inschatten van een risico of de juiste behandelkeuze.

Ook verandering in tijd doet mee

Dit lijkt op de algoritmen die Fokkema's collega Elise Dusseldorp aan het perfectioneren is. Het grote verschil is dat Fokkema werkt aan algoritmen die steeds flexibeler worden. 'Mijn algoritmen kunnen ook kenmerken meewegen die veranderen in de tijd. Stel je hebt de leesvaardigheid twintig keer gemeten bij een kind, en je wilt het verloop in de tijd meenemen als kenmerk. Dan heb je een ander statistisch model nodig dan bij statische kenmerken of kenmerken die je maar één keer hebt gemeten.'

Als ze de tijd-dimensie eenmaal goed in haar algoritmen kan meenemen, kan er opeens nog veel meer. 'De algoritmen kunnen al vrij goed lineaire groei modelleren, en ik probeer ze nu niet-lineaire groei te laten modelleren. Zulke niet-lineaire modellen kunnen bijvoorbeeld de effecten van lichtvervuiling op gedrag van planten of dieren beter helpen voorspellen, een toepassing waarvoor ik met biologen samenwerk. Of de curve waarmee iemands leesvaardigheid zich zal ontwikkelen, of de cognitieve vaardigheden bij ouderen. We gaan in analyses voor het gemak vaak uit van een lineaire ontwikkeling van zulke vaardigheden, terwijl we weten dat dat niet klopt.'

Een curve als uitkomst

Fokkema wil beslisbomen of stroomschema's ontwikkelen die niet alleen één voorspelling van vaardigheden, symptomen of risico’s geven, maar verschillende curves. Daarmee kunnen behandelaars inschatten of een cliënt bijvoorbeeld snel of juist langzaam zal verbeteren, een sterk wisselend patroon zal laten zien, of risico loopt om ineens te verslechteren.

Eén vorm van flexibiliteit zou Fokkema graag willen ontwikkelen in haar algoritmen. 'De data bepalen nu alles. Stel dat je meerdere tests hebt gedaan bij kinderen, maar je weet dat test A betrouwbaarder is dan test B. Die voorkennis kun je het algoritme nu nog niet goed meegeven. Het zoekt het kenmerk dat het meeste verschil maakt en geeft die als eerste vertakking in de beslisboom. Als dat de uitkomst van test B is, mist het algoritme dus de clou. Ik zou willen dat het algoritme ook kan leren van dit soort kennis en praktisch inzicht van experts.'

Tekst: Rianne Lindhout
Foto: Patricia Nauta