De gezondheidszorg wil artificial intelligence voornamelijk inzetten voor betere diagnoses en behandelingen. Maar ook andere toepassingen zijn in opkomst – en daarbij horen nieuwe uitdagingen.
Laten we eerst teruggaan naar 2016: een arts voert bepaalde ziektesymptomen in op een computer, die vervolgens de diagnose stelt en een lijst met de benodigde behandelingen presenteert. Zo werd destijds een zeldzame vorm van leukemie geconstateerd bij een Japanse patiënt; het nieuws werd wereldwijd door de kranten opgepikt. De diagnose werd gesteld door IBM Watson, een supercomputer die artificial intelligence (AI) met geavanceerde analytische software combineert. De computer raadpleegt zoekmachines en geavanceerde systemen voor de complexe analyse van teksten, onderzoeken, databases en patiëntendossiers. Die combinatie van verschillende bronnen en grote analysesnelheid maakt dat AI-systemen diagnoses sneller en nauwkeuriger stellen dan specialisten. En dus kun je stellen dat een AI-systeem in staat is meer CT- en MRI-scans en andere referentiedata te analyseren dan een arts in zijn hele loopbaan.
De voorstanders van deze technologie zien het al voor zich: een toekomst waarin alle moderne medische kennis kan worden geraadpleegd door iedere arts en het AI-systeem dient als second opinion. Maar voordat dit werkelijkheid wordt, krijgen we eerst te maken met complexe, moeilijk te begrijpen onderlinge verbanden. Een groep experts gaat transparant te werk door te handelen binnen gestelde regels en op basis van eigen kennis. Maar dat wil niet zeggen dat ze ook patronen in bijvoorbeeld verschillende röntgenfoto’s herkennen. Bovendien leren ze niet zo snel als AI.
AI-toepassingen daarentegen maken gebruik van neurale netwerken; de kern van machine learning (ML). De informatieverwerking in neurale netwerken lijkt sterk op hersenactiviteit. Foto’s, teksten, getallen, video’s of audiobestanden worden gebruikt als data-input. Al deze input helpt het AI-model onafhankelijk patronen te herkennen, betere resultaten te genereren en uiteindelijk ook onbekende data te beoordelen. Tijdens het leerproces verandert de prioritering van de parameters en dus ook die van de verbindingen in het systeem. Daardoor is uiteindelijk niet meer te controleren hoe het resultaat tot stand is gekomen. Minder transparant, maar niet per se negatief. Zo lang de kwaliteit gegarandeerd kan worden.
Behoefte aan kennis
Datamangementspecialist NetApp deed in augustus 2018 onderzoek op bovenstaande gebied. Aan het onderzoek deden 120 executives mee, inclusief CDO’s, afdelingshoofden en projectmanagers uit de gezondheidszorg, automotivebranche, financiële dienstverlening en productiesector. De resultaten bieden waardevolle inzichten in huidige AI-toepassingen in de gezondheidszorg en tonen daarnaast de verschillen ten opzichte van de drie andere focusbranches. Zo bleek dat, ondanks de omgang met patiëntgegevens, de gezondheidszorg het minst sceptisch tegenover AI-projecten staat.
De medische branche staat daarnaast aan het front als het op het overwegen van AI-projecten aankomt; 37 procent van de bedrijven bevindt zich in deze fase. Daarentegen loopt de branche achter als het aankomt op planning, testen en implementatie. De financiële dienstverlening heeft een implementatiepercentage van 23 procent. In de automotivebranche gebruikt 43 procent van de respondenten AI voornamelijk voor productontwikkeling en -onderzoek. Ook onthult het onderzoek resultaten die alleen van toepassing zijn op de gezondheidszorg. Zo geeft 37 procent van de respondenten aan dat in veel gevallen de supervisor de koers van het project bepaalt, maar tegelijkertijd weinig weet over het doel van de AI-implementatie. Veel medische bedrijven richten zich met AI op het moment voornamelijk op betere diagnoses: vroege opsporing van epidemieën/ziektes (63 procent) ligt hoger dan voorspellend onderhoud van medische apparatuur (60 procent) en de zorg voor patiënten door robots (40 procent).
Bevindingen en aanbevelingen
Deze kennis over medische AI-toepassingen helpt ons de volgende conclusies te trekken: in de toekomst laat AI-technologie zijn volledige potentie zien omtrent de verbetering van diagnoses en behandelingen, en neemt het gebruik van de technologie in andere velden toe. Dit is dan ook de reden dat het nodig is om de verantwoordelijkheid voor AI-projecten te delen en AI-mogelijkheden uit te breiden binnen alle lagen van een organisatie. Daarmee zijn bestaande en toekomstige misverstanden tussen management en werknemers te elimineren. Belangrijk om deze ontwikkelingen is wel dat de verantwoordelijken in dit proces de kwaliteitsgarantie goed in de gaten houden, want ook dit speelt een zeer belangrijke rol.
Een patiënt vertrouwt zijn arts, die op zijn beurt de AI moet vertrouwen, waarvan de resultaten niet altijd zijn te controleren. Om ervoor te zorgen dat hier geen conflicten ontstaan, zou het een optie kunnen zijn om een goedgekeurd medisch apparaat dat gebruikmaakt van neurale netwerken in zijn originele staat te laten. Anders hangt het maar net van de vaardigheden van het medisch personeel af of ze een AI-systeem beter of slechter maken in het herkennen van beelden. Als een arts vertrouwen heeft in zijn AI, zijn CT-, MRI- of echografische data vele malen sneller en nauwkeuriger te beoordelen dan wanneer de arts dat zelf doet. En dat leidt tot een betere diagnose en behandeling. Daarnaast verkort dit het beslissingsproces. Artsen kunnen daardoor meer tijd besteden aan hun patiënten. Door het vraagstuk van vertrouwen en kwaliteitsgarantie op te lossen, neemt de efficiëntie toe. Niet geheel onbelangrijk, gezien het tekort aan artsen in plattelandsgebieden of de wachttijden bij specialisten. Critici hoeven zich overigens geen zorgen te maken: AI wordt op zijn hoogst een arts-assistent, de eindverantwoordelijkheid blijft bij het gespecialiseerde personeel liggen.
Dit is een ingezonden Peter Wüst, Sr. Director Cloud Data Services & Cloud Infrastructure bij NetApp. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf
33 minuten geleden
