Skip to main content

Kunstmatige intelligentie of artificial intelligence (AI); voor niemand minder dan Stephen Hawking betekende volledige ontwikkeling van AI het mogelijke eind van de mensheid, maar voor anderen betekent het de hoop op een betere toekomst. En wat betekent AI momenteel voor de Healthcare sector in Nederland? Waar wordt het toegepast en wat kan er beter? Onlangs heeft minister Van Ark in een beknopte Kamerbrief het rapport van KPMG ‘Inventarisatie AI in gezondheid en zorg in Nederland’ aangeboden. De opdracht aan KPMG luidde: “Inventariseer welke artificiële intelligentie (AI) toepassingen in Nederland op dit moment voor gezondheid en zorg worden getest of ingezet in de praktijk.”

De opdracht werd uitgevoerd in het kader van het programma ‘Waardevolle AI voor gezondheid’. Met dit programma wil het ministerie van Volksgezondheid, Welzijn en Sport (VWS) ‘de zorg helpen om de potentie van kunstmatige intelligentie om te zetten naar concreet ervaren waarde door patiënten, zorgverleners en burgers.’

In de nog geen anderhalf pagina tellende Kamerbrief (pdf) van Van Ark wordt het omvangrijke KPMG-onderzoek (pdf) in 5 beknopte punten samengevat. De aandacht die AI in de Kamerbrief krijgt lijkt aan te geven dat Van Ark, met de uitbraak van de 2e coronagolf, wat anders aan het hoofd had dan de stand van zaken van AI in de zorgsector. Ironisch genoeg heeft juist deze coronatijd laten zien hoe belangrijk het is om snel informatie te krijgen uit landelijke uniforme data. Dat stelt Pieter Jeekel, kwartiermaker van de werkgroep ‘Gezondheid en Zorg’ van de Nederlandse AI Coalitie (NL AIC). ‘Met de juiste data hadden we veel sneller inzicht gekregen in waar het virus het snelst toeslaat, bij welke groepen mensen, welke medicaties het meest effect hebben. We hadden sneller kunnen handelen bij de pandemie.’ De Nederlandse AI Coalitie (NL AIC) is een samenwerkingsverband waarin overheid, bedrijfsleven, onderwijs- en onderzoeksinstellingen en maatschappelijke organisaties samenwerken aan de ontwikkelingen rond kunstmatige intelligentie.

Kortom, er zijn diverse bronnen die aangeven dat er nog veel ruimte voor verbetering is om succesvolle AI-toepassingen in de Nederlandse zorg verder vorm te geven. Reden genoeg voor de Axon Healthcare-redactie om wat verder in dit onderwerp te duiken.

AI wordt nu al breed ingezet in de zorg

AI is nu al niet meer weg te denken in de zorg. Bij ambulancetransport, bijvoorbeeld, voorspellen modellen aan de hand van data uit het verleden waar de meeste drukte te verwachten is. De medisch-specialistische sector is zelfs koploper voor het gebruik van AI-toepassingen. De meeste toepassingen richten zich op de analyse van beelden (CT-scans, MRI-scans en fundusfoto’s). Met behulp van AI kan data van röntgenfoto’s nauwkeurig geanalyseerd worden, zodat artsen betere beslissingen kunnen nemen, wat weer een positieve invloed heeft op de snelheid en kwaliteit van behandeltrajecten. Bij pathologie identificeren machines verschillende soorten kanker via beeldherkenning.

AI-toepassingen worden het meest ingezet voor diagnostiek, zoals voor het (vroegtijdig) opsporen van (oncologische) aandoeningen, maar ook voor chronische aandoeningen zoals hart- en vaatziekten, COVID-19 (bijvoorbeeld voor versnelde screening op de eerste hulp, het vinden van de juiste behandeling, of de diagnose van longschade), en neurodegeneratieve aandoeningen zoals MS en dementie. Sectoren als de gehandicaptenzorg en de jeugdzorg lopen relatief achter wat het gebruik van AI-toepassingen betreft. AI als onderdeel van de behandeling komt vooralsnog minder vaak voor.

De meest gebruikte AI-toepassing binnen de zorg is patroonherkenning. Sinds een tiental jaren heeft het toepassen van AI-technologie ter ondersteuning van medische beslissingen een grote vlucht (pdf) genomen. Bij ‘Supervised machine learning’ worden grote hoeveelheden patiëntgegevens geanalyseerd en worden verbanden gezocht tussen een uitkomst (bijvoorbeeld sterfte) en input (bijvoorbeeld patiëntkarakteristieken, behandelingen en laboratoriumuitslagen). De output is een wiskundig model waarmee een voorspelling gedaan kan worden over kans op een uitkomst.

Dergelijke voorspellingen kunnen nuttig zijn om artsen te ondersteunen bij het nemen van medische beslissingen. Voorbeeld zou een voorspellend AI-model kunnen zijn dat de kans op overleving van Intensive Care (IC) opname berekent. Op de IC-afdeling worden immer regelmatig patiënten opgenomen met een lage overlevingskans en/of lage verwachte kwaliteit van leven na een IC-opname. De vraag is dan of, dan wel in welke mate, het uitvoeren van complexe, dure en voor de patiënt belastende behandelingen zinvol is. Voor een behandelteam is het nemen van een dergelijke beslissing uiteraard heel lastig bij gebrek aan overzicht en data. Door inzet van AI kunnen grote hoeveelheden aan gegevens betrouwbaarder, sneller en meer gestandaardiseerd worden geanalyseerd. Op die manier zou een voorspellend AI-model van meerwaarde waarde kunnen zijn voor IC-artsen, IC-patiënten en/of naasten van IC-patiënten.

Na patroonherkenning volgen beeldherkenning en natural language processing (NLP) als meest gebruikte AI-toepassingen binnen de zorg. Mede dankzij deze laatste toepassing kon voornoemde beroemde natuurkundige Stephen Hawking, die leed aan de spierziekte ALS, bijvoorbeeld schrijven en spreken.

Last but not least kan AI ook helpen om de omslag te maken naar meer preventie en een betere grip op gezondheid. Apps en programma’s kunnen helpen om fit en gezond te blijven. Ook ondersteunen ze zorgprofessionals om beter onderbouwde beslissingen te nemen in zorgprocessen of in het voorkomen, verplaatsen of vervangen van zorg. Als patiënten zelf al veel kunnen doen aan preventie en diagnose zorgt dit voor minder druk op het zorgsysteem en zorgprofessionals. Dat innovatieve ‘thuisdoktersystemen’ goed werken, laten voorbeelden uit andere landen zien, zoals ‘Babylon Health’ in Engeland en ‘Ping An Good Doctor’ in China (bij de laatste zijn maar liefst 300 miljoen mensen aangesloten).

Samenwerking is de sleutel voor succes, maar loopt vaak vast op het delen van data en modellen

Samenwerking vanuit verschillende domeinen lijkt een belangrijke succesfactor in het werkend krijgen en implementeren van AI-toepassingen, maar het delen van data en modellen onderling wordt als lastig ervaren, omdat het concurrentiegevoelig is, of niet mogelijk als gevolg van de Algemene Verordening Gegevensbescherming (AVG). Dergelijke problemen kunnen opgelost worden met initiatieven zoals de Personal Health Train. Het uitgangspunt daarvan is dat de data staan bij de oorspronkelijke bron, dus op een vast ‘station’. De verschillende ‘stations’ zijn verbonden door een virtuele rails, waarover de PHT als een ‘data-trein’ rijdt. Data-eigenaren bepalen zelf welke trein wel of niet mag stoppen en welke gegevens zij beschikbaar stellen voor analyse. De data, wordt, na consent, verwerkt in algoritmes waarin weer technologieën zoals Secure Multi Party Computation van TNO zijn verwerkt.

Bij de ontwikkeling van AI-toepassingen wordt er in de fases van pilot en (pre)productie veel samengewerkt met patiënten en andere partijen, zoals een kennisinstelling, technologiebedrijf of zorginstelling. Bij opschaling blijken deze verschillende type organisaties echter tegen diverse barrières aan te lopen. De werkgroep ‘Gezondheid en Zorg’ van de NL AIC zoekt daarom de juiste partijen bij elkaar om waardevolle AI op te schalen. Door COVID-19 lijken partijen zich nog beter te realiseren hoe belangrijk samenwerken is. Van patiënten, zorginstellingen, universiteiten tot investeerders en overheid. KPMG concludeert daarnaast dat om succes te bewerkstelligen de samenwerking nog wel sterker competentiegericht vormgegeven zou kunnen worden.

Zorgen dat het wiel niet twee maal uitgevonden wordt

Veel van de AI-toepassingen worden slechts op kleine schaal toegepast. Tevens blijken Zorginstellingen maar in (zeer) beperkte mate zicht te hebben op AI-toepassingen die in andere instellingen ontwikkeld worden, of succesvol zijn geïmplementeerd. Dit impliceert dat de kans dat men twee keer hetzelfde wiel probeert uit te vinden zeer wel aanwezig is. Het programma ‘Waardevolle AI voor gezondheid’ probeert deze inefficiëntie te voorkomen door ‘best practices’ te bundelen, samen verder te ontwikkelen en breed te verspreiden.

Zodoende hoeft niet iedereen apart het wiel uit te vinden en wordt het probleem voorkomen dat iedereen wil bepalen wiens wiel het beste is. Het programma maakt daarvoor gebruik van een ‘online wegwijzer’ om kennis en hulpmiddelen uit het veld en het programma te delen. Ook heeft het ministerie van VWS Capgemini Invent recentelijk de opdracht gegeven om te inventariseren welke initiatieven en/of constructies er in Nederland bestaan om (zorg)data beschikbaar te maken voor AI. Specifiek gaat het daarbij om data die vanuit meerdere bronnen ontsloten worden. Deze inventarisatie is ook onderdeel van het programma ‘Waardevolle AI voor gezondheid’ van VWS.

Kwaliteitsnorm

Wil je AI kunnen vertrouwen, dan moet daar een kwaliteitsnorm voor komen. Het bereiken van een kwaliteitsnorm is een van de speerpunten van het programma ‘Waardevolle AI voor gezondheid’. Hoe weet je anders dat de voorspellingen en resultaten uit AI medisch gezien kloppen? Het bundelen van krachten van verschillende partijen kan er, volgens voornoemd programma, voor zorgen dat er genoeg data beschikbaar zijn om AI te ontwikkelen, te trainen, te valideren en toe te passen.

Ogenschijnlijk weinig specifieke aandacht vanuit politiek voor AI-toepassingen in de zorg

Dat het toepassen van AI in het algemeen een hot item is, blijkt uit het feit dat de EU een eerste reeks regels voorbereidt om toezicht te houden over de kansen en bedreigingen in het algemeen en de aanpak van de potentiële impact van AI op individuen, de maatschappij en de economie in het bijzonder. Het Europese parlement zegt een klimaat te willen creëren waarin Europese onderzoekers, ontwikkelaars en bedrijven kunnen gedijen. De Commissie wil particuliere en openbare investeringen in AI-technologie zien stijgen tot €20 miljard per jaar. Opvallend is echter dat er allerlei commissies zijn opgericht, zoals het gebruik van AI in onderwijs, cultuur, de audiovisuele sector en in strafrecht, maar dat vooralsnog specifieke aandacht voor AI in de zorg daarbij lijkt te ontbreken.

Ook Van Ark besteedde met haar Kamerbrief van anderhalf A4tje feitelijk relatief weinig aandacht aan het gebruik van AI in de zorg. Toch wonderlijk als men bedenkt dat dergelijke toepassingen de maatschappij onder meer heel veel geld zouden kunnen besparen en dat zij een belangrijke sleutel vormen tot het aangaan van de grote uitdagingen in de zorg. Ondanks dat er veel ontwikkeling is blijkt er nog steeds veel ruimte te zijn voor bredere toepassing, betere validatie en betere samenwerking op het gebied van het gebruik van AI in de zorg …

Bron: Axon Healthcare, Europees Parlement (EP), Future Hub, Het Financieele Dagblad (FD), ICT & Health, Ministerie van VWS, Nederlandse Vereniging van Ziekenhuizen (NVZ), Publiek Denken, Radboud Universitair Medisch Centrum, SIDN fonds, TU Eindhoven, Zorg Marketing Platform, Zorginstituut Nederland (ZiNL), Zorgvisie