Kunstmatige intelligentie bewijst zijn waarde in de gezondheidszorg bij het verbeteren van de zowel de zorgprocessen als de patiëntuitkomsten. Zo kan een AI-model ziekenhuizen inzicht geven in de knelpunten binnen zorgpaden of tijdig voorspellen wanneer consulten uitlopen. Een app kan de patiënt vervolgens laten zien of hij/zij later aan de beurt is, waardoor lang wachten kan worden voorkomen.
Als het gaat om patiëntuitkomsten helpt AI artsen met het condenseren van informatie, zodat zij de juiste keuze kunnen maken voor een individuele patiënt. Goede voorbeelden hiervan zijn te vinden in de oncologie.
Tijdwinst
Voor het opstellen van het bestralingsplan kan AI de arts helpen bij het aanduiden van het doelgebied, het ‘intekenen van de tumor’. Nu wordt dit volledig handmatig door de arts uitgevoerd, dat is betrouwbaar, maar er is nog het één en ander te winnen. Er bestaat onderlinge variatie bij het intekenen tussen de artsen. Ook blijkt dat artsen op verschillende momenten andere keuzes maken, waardoor minimale verschillen ontstaan. AI kan niet alleen deze inter- en intra-individuele verschillen verkleinen, maar ook tijd besparen. Onderzoek heeft aangetoond dat dit een tijdswinst van zo’n 10 minuten per intekening kan opleveren omdat de arts deze alleen nog hoeft te controleren . Als voorbereiding op de implementatie van een dergelijke ondersteuning loopt er bij het HagaZiekenhuis een innovatieproject om dit aan laboranten over te laten, met een eindcontrole door de arts.
Ook kan AI artsen en patiënten ondersteunen om samen beslissingen te nemen. Terminaal zieke patiënten kunnen bijvoorbeeld geïnformeerd worden over hun overlevingskansen, waardoor ze de mogelijkheid krijgen de bijwerkingen van een behandeling af te wegen tegen de winst in tijd. Maastro voert momenteel een studie uit, waarin dit scenario wordt getest in een klinische studie met terminale longkankerpatiënten die bestraling van de hersenen kunnen ondergaan: Prophylactic Cranial Irradiation (PCI) . Omdat PCI een behandeling is met veel (zware) bijwerkingen is de verwachting dat patiënten en artsen door beter inzicht in de overlevingskansen, vaker zullen kiezen voor minder heftige behandelingen en in dit geval ervoor kiezen PCI niet te doen.
Keuzehulp personaliseren
Een andere toepassing van AI in de klinische praktijk is het personaliseren van keuzehulpen. Momenteel bestaan keuzehulpen grotendeels uit teksten, video’s en animaties die een ziekte en de bijbehorende behandelopties op een eenvoudige manier uitleggen. Daarnaast bevatten ze ook vaak een lijst met vragen, waarmee de impact van de verschillende aspecten van een behandeling wordt verduidelijkt. De ene patiënt is bijvoorbeeld alleenstaand en kan dus opgenomen worden in het ziekenhuis, terwijl de ander dit niet kan in verband met zorgtaken. Sommige keuzehulpen geven ook aan wat de overlevingskansen zijn van de verschillende behandelopties op basis van klinische studies of landelijke overlevingscijfers. Zo kan bijvoorbeeld worden weergegeven dat de overlevingskans van een kankerbehandeling gemiddeld 60% is. Toch zal dit voor iemand die fit is heel anders zijn dan voor iemand met een chronische ziekte.
Het implementeren van AI in een keuzehulp geeft patiënten de mogelijkheid om informatie te ontvangen over hun specifieke situatie. In samenwerking met Hogeschool Zuyd ontwikkelt Maastro momenteel een gepersonaliseerde keuzehulp voor patiënten met prostaatkanker. Met deze tool krijgt de prostaatkankerpatiënt straks gepersonaliseerde informatie te zien over relevante behandelopties. Een patiënt die al bijvoorbeeld last heeft van incontinentie, heeft waarschijnlijk een hogere kans dat dit verergert door een behandeling dan een patiënt die dit niet heeft.
Anderen doen onderzoek naar het gebruik van AI in de intensive care. Hier wordt gekeken of AI kan voorspellen welke patiënten niet meer op de intensive care hoeven te blijven en welke patiënten een hoge kans hebben om weer te verslechteren. De AI-oplossing kan bijvoorbeeld voorspellen hoe een patiënt zal reageren op een behandeling, waardoor artsen de trajecten kunnen aanpassen tot de meest effectieve behandeling voor een individuele patiënt, met tegelijkertijd de minste hoeveelheid bijwerkingen.
Langzame adaptatie
Ondanks al deze mooie initiatieven verloopt de opname van AI in de klinische praktijk tergend langzaam. Inmiddels zijn er zo’n 100.000 voorspellingsmodellen met een toepassing in de gezondheidszorg online beschikbaar, waarvan slechts een beperkt deel klinisch is gevalideerd . Toch wordt maar een handvol van deze oplossingen daadwerkelijk gebruikt. Onze ervaring is dat tal van aspecten een struikelblok vormen voor de brede omarming van AI. Enkele daarvan zijn:
– Een black box. Maar is dat erg?
“AI is een ‘black box’” is een vaak genoemd knelpunt omdat een algoritme zelf leert hoe het tot een oplossing komt. Sommige algoritmen doen dit op een begrijpelijke manier, zoals beslisbomen. Hierbij wordt een reeks achtereenvolgende ja/nee besluiten genomen. Maar toch zullen veel onderzoeksvragen meer complexe algoritmen nodig hebben, die niet gemakkelijk te begrijpen zijn.
Mensen hebben hier soms moeite mee. Dat is invoelbaar want hoe kun je inschatten of iets goed werkt als je niet begrijpt hoe het werkt? Toch is het vaak niet haalbaar om zowel een nauwkeurige als begrijpelijke voorspelling te doen. We weten meestal ook niet hoe medicatie precies werkt of hoe onze auto’s, vliegtuigen, telefoons en computers werken, maar toch kunnen we niet meer zonder. Afhankelijk van het toepassingsgebied zal dit consequenties hebben.
– Dealen met techniek in de kliniek
De discipline radiotherapie is een gebied dat vanuit de technologie is ontstaan. Daarom is in dit vakgebied continu de link te zien tussen kliniek en technologie. Introductie van elke nieuwe techniek stelt ons voor onzekerheden, ook al is de basis wetenschappelijk beschikbaar en is de techniek elders al in gebruik. Hier spelen we op in door een ‘droge oefening’ uit te voeren. Dat biedt de mogelijkheid het werkproces kritisch tegen het licht te houden: flinke correcties zijn heel normaal in deze fase. Bij klinische introductie zal initieel menselijke finetuning en voorzichtigheid de overhand hebben. Later, als er meer ervaring met de nieuwe technologie is, kan er ook meer gevaren worden op protocol, waarbij de efficiëntie kan toenemen. Op deze manier zouden we ook naar kunstmatige intelligentie kunnen kijken.
– Is het wel toepasbaar op mijn patiënten?
Een ander veelgenoemd knelpunt is de toepasbaarheid op de patiënten in het eigen ziekenhuis. Er kunnen nog zoveel AI-modellen worden gepubliceerd, maar wie zegt dat die ook werken in een andere stad, regio of in een ander land? Veel zaken kunnen invloed hebben op de effectiviteit van een voorspellingsmodel. Zo zal een AI-model uit Azië waarschijnlijk niet werken in een Europees ziekenhuis vanwege verschillende omgevingsfactoren. Of het ene ziekenhuis ziet patiënten met een ernstigere vorm van een ziekte, waardoor een voorspellingsmodel gebaseerd op deze populatie waarschijnlijk niet of minder goed werkt bij een populatie met een minder ernstige vorm van die ziekte. Om deze verschillen uit te sluiten gebruiken we externe validatie bij het ontwikkelen van voorspellingsmodellen. Dit bestaat uit het testen van een voorspellingsmodel op een groep patiënten die het model nog niet ‘gezien’ heeft. Wanneer de externe validatie succesvol is, bij voorkeur in meerdere ziekenhuizen, kan men met enige zekerheid zeggen dat een model toepasbaar is op een bredere populatie in verschillende ziekenhuizen. Ondanks deze zekerheid is het toch ook aan te raden een model altijd eerst te testen in het ziekenhuis dat het wil gebruiken.
Drempel moet lager
Een belangrijk, vaak onderbelicht aspect is de integratie van AI in het zorgpad. Vaak staat een AI-model op een moeilijk toegankelijke, gebruiksonvriendelijke website. In sommige gevallen zelfs in een Excel document op de laptop van de arts. Dit bevordert het gebruik van AI niet. De drempel om AI te gebruiken zou juist laag moeten zijn. Niet alleen de modellen dienen veilig en toegankelijk beschikbaar te zijn, ook de zorginformatie moet direct bruikbaar zijn om de modellen te toetsen. Hier is nog veel te winnen, willen we de modellen op hun performance kunnen beoordelen in onze kliniek.
Wat we evenmin uit het oog moeten verliezen, is de patiënt. Het is natuurlijk de bedoeling dat de uitkomsten van AI-modellen uiteindelijk ook worden besproken met de betreffende patiënt. Daarom moet er ook veel aandacht besteed worden aan de visualisatie van de uitkomsten. Deze moeten begrijpelijk zijn voor elke patiënt, ongeacht zijn of haar opleidingsniveau of achtergrond.
Nieuwe vraagstukken
We zien dagelijks berichten langskomen waarin de volgende vragen worden geformuleerd: wat gebeurt er wanneer een arts het advies van een model afwijst, maar achteraf toch ongelijk had? Of wanneer een AI-model een foute voorspelling doet. Als we het ‘platslaan’ valt dit toch onder de noemer: afwijken van protocol, inschatting op basis van inlevingsvermogen en ervaring? Voor iedereen die in de medische praktijk belandt, blijkt al snel dat zorg echt niet alleen te vatten is in een wiskundige formule of model. Onze kennis is een goed uitgangspunt waar we vooral aan dienen vast te houden, zoveel mogelijk bewezen zorg.
Daarna is aan- en bijsturing op basis van een uitgebreide ervaring aan de orde. Het menselijke team van zorgverleners en patiënt bezit het kompas om regie te nemen over de technologie. Dat leidt tot vertrouwen en continue verbetering. Goed om te beseffen dat dát ook het moreel kompas is, omdat afwegingen daar gemaakt en gevolgen daar gevoeld worden, dat is zorg. Daarom was zorg al zo afwisselend en onuitputtelijk interessant, nu nieuwe technologie zich aandient neemt dit alleen maar toe. Zorgverleners treden samen met het team en de patiënt op als een stuurman, gesteund door steeds meer bewijs. Hoe mooi is het om te zien dat kunstmatige intelligentie ons kan gaan helpen om meer bewijs te genereren?
Meer aandacht voor AI
Om het gebruik van AI te bevorderen is in oktober 2019 de Nederlandse AI Coalitie gevormd. Ook op Europees niveau wordt al enkele jaren gewerkt aan een doordacht advies om implementatie van AI te ondersteunen .
Meer aandacht voor kunstmatige intelligentie zal dit jaar zeker aanleiding geven tot allerlei vragen. Bijvoorbeeld op het gebied van gebruiksgemak, begrijpelijkheid van de modellen, de beschikbaarheid van waardevolle betrouwbaar gecureerde data en borging van het recht van de patiënt om toestemming te geven voor het gebruik van gezondheidsgegevens (GDPR of AVG).
Ook zullen afspraken dichterbij komen over een duurzame, veilige opslag van data met het oog op toekomstige ontwikkelingen en de daarmee gepaarde gezondheidsvoordelen voor het individu en samenleving als er gebruik van gemaakt kan worden. We zullen steeds meer geconfronteerd worden met de vraag hoe we ons zorglandschap op technisch gebied moeten inrichten, willen we optimaal gebruik maken van technologie. Daarom komt het als geroepen dat AI veel aandacht krijgt omdat zorg niet alleen menselijk, maar ook technisch soepel en veilig rondom de patiënt moet worden georganiseerd.
