A.I.: wat kun je er als arts mee?

Daar zijn veel antwoorden op mogelijk. Bij machine learning draait het om een rekentruc waarmee betere voorspellingen kunnen worden gedaan naarmate er meer data wordt gebruikt. Het gaat dus om een rekentruc, voorspellingen en om data. Iedereen die meerdere keren per dag door een EPD bladert weet dat er een overvloed aan data in de geneeskunde is. Op de rekentruc kom ik later terug. De voorspellingen zijn in een aantal categorieën in te delen.

Beeldherkenning
Beeldherkenning is wat mij betreft de meest tot de verbeelding sprekende tak van machine learning in de geneeskunde. Op een CT-scan wordt automatisch een bloeding herkend, bij coloscopie wordt een poliep herkend, PA-cytologie van PAP-uitstrijkjes worden inmiddels beter beoordeeld door een algoritme dan door de mens. Huidafwijkingen worden herkend, ga zo maar door. Slim ingedeelde gelaagde systemen zorgen voor herkenning van structuren die per laag in complexiteit toenemen totdat classificatie kan plaatsvinden. Hieronder is een voorbeeld van gezichtsherkenning op basis van dit principe (Lee, Honglak, et al, 2009, ‘Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations’. Dit betreft trouwens een ‘deep belief network’, een bijzondere vorm van een neuraal netwerk, waarbij ook rekening wordt gehouden met het theorema van Bayes)
Lagen in deep belief network

Spraakherkenning
Op dit moment wordt door in grote softwarehuizen hard gewerkt aan spraakherkenningssoftware die gesproken taal om kan zetten in discrete data, die direct in het EPD geplaatst wordt. Dit deelgebied van kunstmatige intelligentie heet natural language processing. Voor de Nederlandse markt is deze software nog niet beschikbaar maar hier zal naar verwachting op niet al te lange termijn verandering in komen. Herkenning van spraak is mogelijk met een neuraal netwerk, waarvan de knopen als een lange ketting aan elkaar worden geregen. Dit zogenoemde ‘recurrente’ neurale netwerk krijgt als input de gesproken tekst en heeft als output de tekst of discrete data, die verder verwerkt kan worden in het EPD. Om zo’n netwerk goed te laten werken is duizenden uren gesproken tekst nodig. Grotere betrouwbaarheid wordt bereikt als de tekst domeinspecifiek is. Dat betekent, dat dokters het beste zelf de tekst in kunnen spreken. Iemand zou de discrete uitkomsten hieraan kunnen koppelen. Dit vormt een aanzienlijke drempel voor de ontwikkeling van dit soort toepassingen.

Predictive analytics, klassiek
Predictive analytics is een containerbegrip voor algoritmes die op basis van een bepaalde input een voorspelling kunnen doen. Een voorbeeld is het voorspellen van ongeplande heropname binnen 30 dagen na ontslag. Hiertoe worden relevante gegevens uit het EPD, bijvoorbeeld met behulp van een regressieanalyse, gecombineerd tot een voorspelling op basis waarvan medisch beleid kan worden aangepast. Klassiek worden enkele tientallen gegevens gecombineerd zoals bloeddruk, medicatie, laboratoriumuitslagen en diagnoses. Er zijn de laatste tien jaar vele honderden bruikbare modellen beschikbaar gekomen. Toch blijkt de daadwerkelijke toepassing van dit soort modellen op praktische bezwaren te stuiten. Ten eerste beschikken de meeste ziekenhuizen niet over flexibele EPD’s waarmee de dokter snel in staat is om dit soort modellen te implementeren. Ten tweede wordt vaak onvoldoende discreet gedocumenteerd in EPD’s zodat de modellen niet met eenduidige patiëntendata gevoed kunnen worden. Een ander belangrijk probleem is dat dit soort modellen meestal worden getraind op basis van patiëntendata één of enkele ziekenhuizen in een bepaald regio. Patiënten zijn niet homogeen verdeeld. Modellen die in ziekenhuis A werken hoeven dus niet in ziekenhuis B te werken. Dit laatste blijkt trouwens geen enkele beperking te vormen voor de huidige wijd verbreide toepassing van simplistische modellen zoals de AMBU-65 score of de PSI score. Voor dit soort modellen gelden dezelfde beperkingen, hoewel ze beter gevalideerd zijn in meerdere centra/regio’s.

Predictive analytics met neurale netwerken
De laatste tijd worden ook modellen gebruikt die veel meer (of zelfs alle) medische data in het EPD combineren tot zo’n voorspelling. Hiervoor worden doorgaans neurale netwerken gebruikt, omdat deze goed in staat zijn niet-lineaire verbanden te herkennen in grote hoeveelheden data. Het blijkt dat dit soort modellen veelzijdig in te zetten zijn. Toch moeten hoopgevende publicaties met de nodige voorzichtigheid worden geïnterpreteerd, als de meeste data uit een EPD wordt gebruikt. EPD’s worden namelijk consequent verschillend geïmplementeerd in ziekenhuizen. Dokters maken ook nog eens anders gebruik van EPD’s, zowel individueel als per ziekenhuis. Dat betekent dat een model dat hierop gebaseerd is ook zal verschillen per ziekenhuis. De consequentie hiervan is dat ieder ziekenhuis zijn eigen lokaal getrainde model zal moeten hebben zo lang deze verschillen bestaan, zodat de kans op een goede voorspelling het grootst is. Je zou kunnen zeggen dat het gebruik van machine learning, in het bijzonder neurale netwerken, een vorm van toegepaste wetenschap is. Alle daarbij horende parafernalia moeten geborgd zijn, zoals goede validatie, kalibratie, redundantie van kennis, toetsing van kennis en verantwoording. Het is de vraag of transparantie voldoende geborgd is als al deze taken in handen van commerciële partijen liggen. Daarnaast is de verbinding met de medische staf niet geborgd. In mijn ogen moeten ziekenhuizen investeren in kennis op het vlak van neurale netwerken, mede gezien de ongekende mogelijkheden van deze vorm van kunstmatige intelligentie.

Gemengde modellen
Verschillende vormen van ‘pre-processing’ en machine learning kunnen ook worden samengevoegd tot een grote ‘pipe-line’ die een complexe taak kan uitvoeren, zoals vaak bij natural language processing gebeurt. Het signaal van gesproken taal wordt van tevoren bewerkt en gevoed aan een neuraal netwerk dat digitale tekst produceert, waarna het opnieuw aan een tweede neuraal netwerk wordt gevoed dat er discrete informatie van maakt. Als er grote hoeveelheden data beschikbaar zijn, dan kan ook gepoogd worden direct van de data naar de benodigde informatie te vertalen, worden zonder uitgebreide pipe-line.

2 gedachten over “A.I.: wat kun je er als arts mee?”

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Deze website gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.