Meet-up III: "Meer inzet van ai in de zorg kan levens redden"

Artificial intelligence of ai biedt de zorgsector veel mogelijkheden, maar heeft ook een keerzijde. Marc Somberg van ChipSoft gaat deze niet uit de weg en laat tijdens de Tweakers Meet-up Tech in de Zorg zien wat nodig is voor het succesvol toepassen van ai. Anders dan wel eens gesteld, luidt zijn boodschap: “Ai in de zorg is geen black box.”

Namens ChipSoft, ontwikkelaar van zorg-ict en EPD-leverancier, verzorgt Somberg samen met zijn collega Maarten van Rood een talk tijdens de Meet-up op 19 september. Somberg is productspecialist op het gebied van data driven healthcare, de expertise van Van Rood is het oplossen van data science vraagstukken. Tijdens de sessie zal het tweetal zich vooral richten op de inzet van ai voor praktische toepassingen in de zorg.

De oplossing voor alles
Zoals wel vaker met nieuwe technologie wordt ook de inzet van ai in de zorg begroet met een mate van terughoudendheid. Somberg: "Aan de ene kant zien mensen in de sector ai en machine learning vaak als een black box. Terwijl aan de andere kant it-leveranciers soms juist te enthousiast zijn en menen dat het een magische oplossing is voor alle problemen in de zorg." Somberg adviseert juist andersom te redeneren. "Je moet vooral weten waar je ai níet moet inzetten. Als de koffieautomaat stukgaat, kun je besluiten predicted maintenance in te zetten, maar het is waarschijnlijk efficiënter en goedkoper om gewoon de monteur te bellen.”

Ai berekent complicaties bij patiënt
De koffieautomaat kan misschien nog wel even zonder ai vooruit, maar een proces waar ai al wél waarde heeft, is in het automatiseren van informatiestromen in de zorg. "Deze ai-systemen zijn niet heel flashy, maar nemen veel onnodig werk uit handen van zorgverleners, zoals het organiseren van grote hoeveelheden beelden uit scans." En dan zijn er nog de echt in het oog springende oplossingen, die zijn gebaseerd op autonome, zelfstandig lerende ai-systemen. "Zo’n systeem kan bijvoorbeeld de kans op complicaties bij een patiënt berekenen. Zo’n berekening hangt af van veel verschillende factoren: geslacht, gewicht, bloedverlies, de behandelmethode enzovoort. Voor artsen is dit vaak te veel informatie om in overweging te nemen, maar een algoritme dat werkt met decision trees kan dat wel.”

Algoritmes gebaseerd op decision trees zijn erg populair binnen machine learning. Decision trees hebben als voordeel dat de logica bij elk beslispunt inzichtelijk wordt gemaakt, wat zeker in de zorg belangrijk is. Een nadeel van decision trees is dat ze zich teveel kunnen vastbijten in één factor, waardoor andere oplossingen niet meer boven komen. "De oplossing is om meerdere decision trees te koppelen die elk verschillende stukken data meekrijgen. Door deze individuele voorspellingen vervolgens in een Random Forest Classifier naast elkaar te leggen, krijg je een oplossing die met behoorlijke zekerheid kan voorspellen of er een complicatie zal optreden. Op basis van dit advies kan de arts beslissen of de patiënt na de operatie het beste af is op de Intensive Care of naar huis mag."

Detectienetwerk redt levens
Somberg kan nog wel even doorgaan over het gebruik van ai-oplossingen in de zorg. Als persoonlijk favoriet noemt hij het detectienetwerk voor zeldzame aandoeningen. "Het netwerk draait mee op de achtergrond van het Elektronisch Patiënten Dossier (EPD), maar omdat het algoritme niet is gecertificeerd draait deze in een onafhankelijke Azure-cloudomgeving. Naarmate er meer informatie beschikbaar komt in het EPD, zal het systeem aanbevelen om bepaalde vragen te stellen of een aanvullend onderzoek af te nemen. Dit advies komt vanuit de cloudomgeving terug het EPD in. Op deze manier kunnen artsen zeldzame aandoeningen met het detectienetwerk sneller diagnosticeren, wat levens kan redden."

Tijdens de talk van Somberg en Van Rood zullen meer van deze innovaties in de zorg de revue passeren en gaan zij ook dieper in op de keerzijde van al het gemak en de efficiëntie. Zelf nadenken blijft het belangrijkst, vindt Somberg. “Wat ik wil is dat mensen die onze talk bezoeken zelf nadenken, hun eigen keuzes maken en de confrontatie aangaan met hun vooroordelen. Maar vooral wil ik mensen enthousiasmeren over de inzet van technisch inhoudelijke kennis in de zorg.”

Enthousiast geworden over ai in de zorg? Bezoek dan de Meet-up Tech in de Zorg. Deze vindt plaats op 19 september in Amsterdam. Voor meer informatie over het programma, tijden en tickets, bezoek de informatiepagina over de meet-up.

Reacties (19)

[Yoshi]

chipsoft :-)
https://demonitor.kro-ncr...ver-rijke-it-leveranciers
https://www.icthealth.nl/...re-uitwisseling-gegevens/
https://www.ftm.nl/artike...=1&utm_campaign=Eric-Smit

[WokeBroke]

Wat denk ik ook goed kan zijn voor de gezondheid zorg is BIG data. Als je alle gegevens van alle ziekenhuizen zou hebben. (Daarbij hoef je niet echte personen aan te koppelen.) En dan bij alle ziektes gaat kijken of mensen met die ziekte, gemiddelde vaker een bepaalde (alle) andere ziekte hebben. Waarbij je dus alle mogelijke heden gaat bekijken. Dan zou daar misschien best interessante en leerzame data uit kunnen komen.

[QuintMidas]

Kijk eens op performation.com. Dat is precies wat daar (onder andere) gedaan wordt.

[Reactie gewijzigd door QuintMidas op 23 juli 2024 04:14]

[WokeBroke]

Volgens mij snap je niet helemaal wat ik bedoel.

met 80 ziekenhuizen heb je toch nooit genoeg data om te kijken of ziekte a die bij een op de 100.000 mensen voorkomt, vaker voorkomt bij mensen die ook ziekte b hebben die ook ongeveer een op de 100.000 voorkomt.

[Anoniem: 249623]

Je hebt geen 100.000 mensen nodig om iets representatief te weergeven zolang de ziekenhuizen maar een breed beeld van alle kwalen laten zien.

[BadRespawn]

Volgens mij snap je niet helemaal wat ik bedoel.

met 80 ziekenhuizen heb je toch nooit genoeg data om te kijken of ziekte a die bij een op de 100.000 mensen voorkomt

Er zijn ca 300 ziekenhuizen in Nederland, In 2013 waren er alleen al ca 50.000 opnamen ivm fouten met medicatie. (bron: Rapport Vervolgonderzoek Medicatieveiligheid - 2e Kamer)
80 ziekenhuizen hebben in een paar jaar tijd makkelijk 100.000-en verschillende patiënten.

[NetAmp]

Kijk eens op performation.com. Dat is precies wat daar (onder andere) gedaan wordt.

Dat is nou ook één van de rijke IT-leveranciers
¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
On-topic: volgens mij wordt de term "A.I." nog te makkelijk gebruikt als (marketing) verzamelbegrip

...the term "artificial intelligence" is often used to describe machines (or computers) that mimic "cognitive" functions that humans associate with the human mind, such as "learning" and "problem solving".

^{bron: Wikipedia}

Uit dit Tweakers-artikel: "...het organiseren van grote hoeveelheden beelden uit scans...".
Dat is toch 'gewoon' automatiseren? Tenzij het betreffende computersysteem op den duur bepaalde beelden (steeds beter) gaat herkennen.

Wat betreft "problem solving," genoemd op Wikipedia, valt zo'n "...algoritme dat werkt met decision trees ..." daar wel onder lijkt me. Maar is dit ook gekoppeld aan "learning"?

Dat laatste zal in bepaalde mate wel van toepassing zijn op de, in de laatste alinea van het artikel, genoemde "detectienetwerk voor zeldzame aandoeningen". Indien er echt sprake is van patroonherkenning (met groeiende nauwkeurigheid/efficiëntie).

______________________________

The field (AI) was founded on the claim that human intelligence "can be so precisely described that a machine can be made to simulate it".

^{bron: Wikipedia}

En zo ver zijn 'we' nog niet. Zie ook de reactie van @Croga hier onder.

Aan de andere kant worden bepaalde geautomatiseerde handelingen, zoals tekstherkenning, op een gegeven moment als 'normaal' beschouwd:

As machines become increasingly capable, tasks considered to require "intelligence" are often removed from the definition of AI, a phenomenon known as the AI effect. A quip in Tesler's Theorem says "AI is whatever hasn't been done yet." For instance, optical character recognition is frequently excluded from things considered to be AI, having become a routine technology. Modern machine capabilities generally classified as AI include successfully understanding human speech, competing at the highest level in strategic game systems (such as chess and Go), autonomously operating cars, intelligent routing in content delivery networks, and military simulations.

^{bron: Wikipedia}

Wanneer kunnen we zeggen dat een systeem zelf "denkend" is?...

[Reactie gewijzigd door NetAmp op 23 juli 2024 04:14]

[Sharkoon]

De ziekenhuizen, huisartsen, etc kunnen onderling nog niet eens op een fatsoenlijke manier data uitwisselen van een patiënt.

Eerst dat maar eens regelen

[Jizzy]

Laat Chipsoft daar nou net degene zijn die moeilijk doet.
https://demonitor.kro-ncrv.nl/uitzendingen/ict-in-de-zorg

[ollie1965]

Big data is zeker mooi en kan leiden tot verbluffende inzichten.
Maar zoals vroeger al werd gezegd "Meten is weten, maar goed meten is een vak", geld dit ook voor Big data.
Je definities moeten zo goed zijn dat er echt niks tussen te krijgen is. Het woord toverwoord is dan "Bias".
Er zijn in het verleden en heden wel eens zeer grote fouten hierdoor gemaakt.
Het zal dan wetenschappelijk onderbouwd moeten zijn en minstens een keer (liefst meer) ter discussie gesteld door mede vakgenoten.

Waar bias toe kan leiden?
- voor stadium van kanker niet ontdekken terwijl de specialist dit wel had gezien
- gevangen die niet in aanmerking komen voor vervroegde vrijlating alleen maar vanwege de bevolkingsgroep/ras waar je in gecategoriseerd bent. (zoekterm "bias parole of prisoners")

[Gopher]

Kanker is een grappig voorbeeld, de specialisten zijn er onderling vaak niet over uit of iets wel of niet positief als kanker kan worden gezien.

Dan moet je dus nog een AI netwerk gaan ontwikkelen die ongeveer hetzelfde denkt, als specialisten welke het zelf eigenlijk ook niet super zeker weten.

Die testen zijn ook nog eens zo kleinschalig en het duurt veel te lang om daar iets te bereiken.

Ben je zo ver? dan nog de 50 andere soorten kanker, en hopen dat je resultaten ergens op sloegen.

[ollie1965]

Aha je bent bekend met de materie.
Ja, en voor de beeldverwerkers. Moeten de halve cellen in de foto wel of niet mee geteld worden en hoe moet dat procentueel verrekend worden.

^{Ollie's zwager werkt in het vakgebied micro celbiologie ( nieuws: Wetenschappers maken 281-gigapixelfoto van embryo )}

[Frituurman]

Wat denk je wat zorgverzekeraars al jaren doen? Op basis waarvan ze prognoses kunnen maken voor zorgkosten voor een heel jaar? Dat mag trouwens onder géén beding herleidbaar zijn aan echte personen (AVG). Bij diverse programma's binnen zorgverzekeraars wordt ook gekeken of ze, zonder zelf direct inzicht te krijgen in de gezondheid van een patiënt (dat mag namelijk niet) dit kunnen koppelen aan bijvoorbeeld software als Runkeeper of Strava of etc. etc. Iets wat Apple al met haar medewerkers doet in Silicon Valley. Privacy-technisch ligt dat hier weer lastiger door Europese wetgeving, maar op die manier zou je een compleet beeld kunnen vormen van iemand en zorg veel specifieker afstemmen óf juist meer op de preventie inspelen. Samen met de toevoeging van AI hierboven zijn er veel levens te redden én kosten te besparen. Reuze interessante materie.

[Gopher]

Het is over 't algemeen niet super handig.
Patienten in nederland moeten expliciet toestemming geven om hun gegevens te laten gebruiken voor dit soort onderzoek. Dan moet ook nog de data anoniem gemaakt worden.

Dat is dan weer redelijk goed te doen, maar die toestemming vragen, is ten eerste iets wat vaak vergeten word, en daarnaast willen veel mensen het niet, want privacy enzo.

Je moet namelijk eerst 'n fixe dataset hebben om je netwerk te trainen, dan moet je ook nog bevestigen dat het werkt etc. etc. etc.

Ja Bigdata, super handig. Maar hoe ga je het daadwerkelijk gebruiken, en garanderen dat er geen fouten voorkomen. In de medische wereld is dit best wel lastig.

(Heb 'n tijdje op 'n project gezeten waar we automatisch kanker wilde "detecteren", daarbij bleek dit een van de grootste problemen te zijn, misschien niet exact wat je bedoelt, maar dezelfde issues komen naar voren.).

[Croga]

Dit soort systemen heeft altijd twee kanten.

Aan de ene kant kan het er voor zorgen dat artsen beter opletten wanneer het systeem zegt dat er een grotere kans op complicaties is. Daarmee de complicaties voor zijn en patienten redden.

Aan de andere kant zal het er meteen ook voor zorgen dan wanneer de kans op complicaties klein is, de arts helemaal niet meer op complicaties zal letten. Maar een kleine kans betekend niet geen kans. Daarmee garandeert een dergelijk systeem dat er patienten verloren zullen gaan die zonder dit systeem gered waren.

Let goed op! We praten hier helemaal niet over AI, hoe hard de schrijver van dit stuk ons dat ook wil doen geloven. AI zou in staat zijn zelf de complicaties te detecteren. Machine Learning, waar we hier over praten, kan alleen als gids voor de artsen dienen en heeft daarmee het grote risico dat het net zo veel schade doet als dat het goed doet. Big data is leuk maar, in dit geval, ook levensgevaarlijk.

[MixT2311]

Machine Learning, waar we hier over praten, kan alleen als gids voor de artsen dienen en heeft daarmee het grote risico dat het net zo veel schade doet als dat het goed doet.

De mate hiervan is ook afhankelijk van wat je probleem is. Zelf zijn we op de TU/e ook bezig in samenwerking met artsen om ML/AI in te zetten voor de detectie van kanker of het classificeren van het type kanker, voorstadium, etc.

Voorbeeld waar ik aan werk/op promoveer: het verwijderen van darmpoliepen. Over het algemeen zijn deze goedaardig en kun je ze laten zitten. Echter volgens medische richtlijn moeten alle (gevonden) darmpoliepen tijdens een colonoscopie verwijderd worden. Dit brengt risico's mee op bijv. bloedingen of perforaties van de darm, hoge kosten omdat elke poliep naar de patholoog moet om vast te stellen welk type het is (€60 per poliep; alleen al miljoenen € op jaar basis voor de zorgkosten in NL), kost tijd voor de specialisten, en kan ook nog eens last voor de patiënt opleveren.

Dus ons doel is om een algoritme te ontwikkelen dat tijdens een colonoscopie met zo groot mogelijke zekerheid zegt of een poliep goedaardig is. Die kun je dan laten zitten of verwijderen en niet meer hoeven opsturen naar de patholoog. De rest haal je gewoon weg en hop naar de patholoog zoals je altijd deed.

Het mooie is dat er natuurlijk al meerdere (internationale) modellen opgesteld zijn door de medici zelf waarmee ze kunnen bepalen hoe een bepaald type er uit ziet; ze hebben kenmerken opgesteld of zelfs een beslisboom om tot een type te komen. Door zo een klinisch model in een ML/AI algoritme te incorporeren, heb je het beste van twee werelden; een systeem dat automatisch/snel/beter tot een 'voorspelling' komt op basis van klinische kennis én ook nog eens bij die voorspelling je kan vertellen wáárom het type A of type B is en de poliep wel of niet verwijderd zou moeten worden.

[Reactie gewijzigd door MixT2311 op 23 juli 2024 04:14]

[Croga]

Dus ons doel is om een algoritme te ontwikkelen dat tijdens een colonoscopie met zo groot mogelijke zekerheid zegt of een poliep goedaardig is. Die kun je dan laten zitten of verwijderen en niet meer hoeven opsturen naar de patholoog. De rest haal je gewoon weg en hop naar de patholoog zoals je altijd deed.

De kern is hier vet gedrukt.... In de oude situatie worden alle poliepen weg gehaald. In de nieuwe situatie worden poliepen met een kleine kans op kwaadaardigheid níet weg gehaald.

Laten we zeggen dat we poliepen met minder dan 0.5% kans op kwaadaardigheid laten zitten. Als we dat 200 keer doen zijn we 1 patient kwijt.... Ergo; we hebben €12'000 bespaart en door die besparing is een persoon overleden. Is het dat waard?

Zoals al gezegd; een levensgevaarlijke ontwikkeling. Letterlijk.....

[ChAiNsAwII]

AI kan verzekeringen geld besparen en patienten afmaken, ja goed ontwikkeling hoor..