Verlies van bloeddonoren voorkomen via statistiek
Bloedbank Sanquin verzamelt data van elke donatie. Jaarlijks worden ongeveer 720.000 donaties gedaan. ‘Dat resulteert in een enorme berg waardevolle data’, zegt de Leidse promovendus Marieke Vinkenoog.
Om uit die data bruikbare informatie te halen, heeft Sanquin zich aangesloten bij het Data Science Research Programme van de Universiteit Leiden. Dat is een interfacultair onderzoeksprogramma waarbij vakkennis gecombineerd wordt met datawetenschap.
‘Het doel van mijn promotie is om datawetenschap te gebruiken om bloedbanken efficiënter te maken’, vertelt Vinkenoog, die via het Data Science Research Programme nu een jaar met Sanquin samenwerkt. ‘Momenteel kijk ik naar de metingen van de hemoglobinewaarde van donoren.’ Die waarde wordt bij elke donatie vooraf gemeten.
Hemoglobinewaarde meting
Voldoende van het eiwit hemoglobine in het bloed is nodig om zuurstof door het lichaam te transporteren. Bij een bloeddonatie geeft iemand ongeveer een halve liter bloed met daarin hemoglobine. Is de hemoglobinewaarde voor de donatie te laag, dan kan het zijn dat de donor na de donatie te weinig van het eiwit overhoudt. Doneren is dan niet gezond en mag op dat moment niet. Na drie maanden kan de donor weer langskomen om te doneren.
‘Ongeveer zes procent van de vrouwen en drie procent van de mannen wordt om die reden onverrichter zake weer naar huis gestuurd’, vertelt Vinkenoog. ‘Dat is niet efficiënt voor de bloedbanken. Het kost tijd waar ze geen bloed voor terug krijgen. En het is demotiverend voor de donor.’ Mensen die om die reden niet mochten doneren, komen vaak na twee of drie afwijzingen niet meer terug naar de bloedbank. Zo verliest Sanquin donoren.
Voorspellende modellen
Een hemoglobinewaarde die te laag is om te mogen doneren kan veroorzaakt worden door een dieet en leefstijl. Na een donatie duurt het een aantal weken voordat het weer gestegen is. Hoe snel dat gaat verschilt per persoon. Sanquin werkt daarom al jaren aan modellen die voorspellen hoe vaak ze donoren kunnen oproepen zonder dat ze een te lage hemoglobinewaarde hebben en dus tevergeefs naar de bloedbank komen. ‘Daarvoor werden altijd traditionele statistische modellen gebruikt’, vertelt Vinkenoog. Die werken het best met gestructureerde data, waarbij iemands hemoglobine met vaste regelmaat, bijvoorbeeld elke week wordt gemeten. ‘Maar Sanquins data komen uit de echte wereld. Daardoor is de verzameling rommelig: soms komt iemand na drie maanden weer doneren, soms pas na twee jaar. Dat maakt het lastiger om een voorspellend model te maken.’
Van sommige trouwe donoren, die bijvoorbeeld al tien jaar doneren, zijn er weliswaar geen regelmatige, maar wel heel veel metingen. Daar maakt Vinkenoog gebruik van. ‘In die data hoop ik een voorspelbare trend te ontdekken met behulp van moderne machine learning-technieken. Die kunnen getraind worden om verbanden te herkennen in grote hoeveelheden data.’
Als Vinkenoog binnen een jaar een model ontwikkelt voor de hemoglobinewaarde, kan ze voor haar promotie ook andere manieren onderzoeken om bloeddonatie te personaliseren, zodat die beter in het leven van een donor past. ‘Maar voorlopig heb ik mijn handen vol aan de hemoglobine-data.’
Tekst: Dorine Schenk
Mail de redactie