De context van een patiënt doet ertoe. Waar en bij wie woont een patiënt? Hoe zijn de slaap, voeding en lichaamsbeweging geweest de voorbije weken? Het zijn factoren die helpen om een diagnose te stellen, en om te bepalen wat de meest zinvolle behandeling is. En daarom probeert een arts die zaken in het korte bestek van een consultatie in kaart te krijgen. Artificiële intelligentie kan die opdracht vereenvoudigen en inzichten aanreiken.
Zelfrapportages zijn notoir onbetrouwbaar. Als je een gemiddelde patiënt vraagt hoe de voorbije periode geweest is, dan blijkt het moeilijk om daar ‘volledig’ op te antwoorden. Bij oudere mensen met een vorm van dementie is dat uiteraard nog lastiger. Een empathische arts die z’n patiënten goed kent, merkt veranderingen op en gebruikt die informatie meteen in diagnose en behandeling. Maar alles opmerken is moeilijk, en al zeker verborgen signalen die een patiënt zelf niet in de gaten heeft. Kan AI hier hulp bieden? Ik denk het wel.
AI: van de wachtkamer naar de huiskamer
Een eerste manier waarop AI hier zinvol kan zijn, heeft intussen z’n weg gevonden naar de wachtkamer. Bingli, een imec-spinoff, bereidt het consultatiegesprek voor via een AI-chatbot. Door enkele vragen uit het intakegesprek vooraf al te stellen, komt er in het eigenlijke consultatiegesprek ruimte vrij om dieper in te gaan op een bepaald probleem, of om uitvoeriger te polsen bij een “was er verder nog iets?”-vraag.
Een tweede AI-toepassing gaat een stap verder. Naast de momentopnames van consultaties, zijn er almaar meer continue informatiebronnen voorhanden. Denk maar aan smartwatches, smartphones of sensoren in huis. Alles bij elkaar leveren die een massa extra data op over iemands levensstijl – en eventuele plotse afwijkingen daarin. Maar zo’n bulk aan ruwe data is natuurlijk niet erg bruikbaar voor een arts. Een ander verhaal wordt het wanneer je die data verwerkt tot nuttige inzichten, die gepresenteerd worden in een dashboard. Dan zou je als huisarts veel sneller en beter de omstandigheden van een patiënt kunnen interpreteren. Je zou ook veel vroeger problemen kunnen zien aankomen, en preventiever kunnen werken.
Een concreet voorbeeld: vooraleer een patiënt van een trap valt, zijn er meestal al subtielere signalen geweest die verraden dat er iets aan de hand is met z’n gezondheid en mobiliteit. Een arts die langskomt kan, gevoed met extra informatie, specifieke vragen stellen over duizeligheid, iets wat anders misschien niet ter sprake zou komen. Door vroeger in te grijpen kan een val en bijbehorende hospitalisatie dan mogelijks vermeden worden.
Een verrijkte consultatie
Moet elke arts dan maar data-specialist worden? Dat lijkt me niet. De inzichten uit de data moeten eenvoudig gepresenteerd worden tijdens de consultatie. Onderzoekers van imec hebben zich in het project ‘Protego’ (een samenwerking van IDLab-imec met Televic Healthcare, Z-Plus, Amaron & ML2Grow) gebogen over een dashboard, waarin data van sensoren in huis, smartwatches, smartphones en sensoren op de deuren en koelkast meegenomen werden. De onderzoekers trainden een AI-algoritme eerst op historische data van een groep proefpersonen om activiteiten te gaan herkennen. Dat gebeurde in het HomeLab (een experimenteerruimte van UGent-imec voor nieuwe residentiële technologietoepassingen met ruim 300 sensoren) met een groep van 31 proefpersonen die er meerdere dagen en nachten verbleven. Het AI-algoritme werd getraind om dagdagelijkse activiteiten zoals eten, slapen, en televisiekijken, te gaan herkennen: sensoren maken duidelijk wanneer de koelkast geopend wordt, een smartwatch registreert de hartslagvariabiliteit of bewegingen van de hand, bewegingssensoren lokaliseren de persoon in huis,...
In een tweede fase werd het algoritme gepersonaliseerd om de gewoontes van één specifieke proefpersoon te leren kennen. Tot slot werd ook andere informatie, die vandaag vaak al door zorgverstrekkers verzameld wordt, toegevoegd aan de datamix: de wensen en verlangens van een patiënt, zijn of haar gezinssituatie, de locaties van eventuele sensoren in huis. Vervolgens werd de rekenkracht van zelflerende algoritmes losgelaten op die data. Resultaat: een reeks inzichten verschijnt in het dashboard.
Gaat die ‘contextuele AI’ op een dashboard zeggen wat je als arts moet doen? Absoluut niet. Wel levert het een verrijkte consultatie op, met data waar je anders geen of moeilijk toegang toe zou krijgen. Het kan een manier zijn om snel te detecteren waarop je als arts kan doorvragen. En voor patiënten kan het de vaak frustrerend lange zoektocht naar een diagnose fors inkorten. Het resultaat? Een perfomantere gezondheidszorg, met voordelen voor arts en patiënt. Waar wachten we nog op?
Uitdagingen: data-infrastructuur en patiëntenvertrouwen
Een belangrijke uitdaging is de data-infrastructuur. Vandaag is het moeilijk om diverse databronnen met elkaar te combineren tot inzichten.
Maar wellicht een nog belangrijkere uitdaging is het draagvlak bij patiënten. Die moeten niet alleen overtuigd worden van het feit dat hun medische data veilig gedeeld wordt, ze moeten ook bereid zijn om data te genereren door een smartwatch te dragen, of sensoren te laten installeren in hun huis die hun dagelijkse activiteit kunnen monitoren. Idealiter gebeurt dat trouwens al op een moment dat het nog niet slecht gaat met de gezondheid, zodat het ‘normale’ patroon geleerd kan worden.
Vandaag wordt een klassieke thuisalarmknop of worden slimme sensoren vaak pas geïnstalleerd wanneer iemand al een keer gevallen is, of in het ziekenhuis terechtkwam. Daarna gaat het overtuigen een stuk makkelijker en ziet de patiënt of diens familie de meerwaarde van zulke monitoringtools. Maar dan zitten we al in het scenario dat het niet meer zo goed gaat.
Essentieel om vertrouwen te bouwen is een waterdichte privacy-bescherming. Data die op zich onschuldig lijkt kan, gecombineerd met andere databronnen, veel weggeven over iemands gedrag en medische toestand. Het risico op misbruik is reëel. De persoonlijke datakluisjes van SOLID lijken in elke geval een interessante piste om de privacy te garanderen, en tegelijk data vlot te delen met wie je wil. Het idee: de ruwe data blijft in een persoonlijke datakluis, en de patiënt kan bepalen welke zorgverstrekker (al dan niet tijdelijk) toegang krijgt tot de geaggregeerde inzichten die eruit voortvloeien.
Er wordt volop getimmerd aan de best mogelijke data-infrastructuur voor medische gegevens. Zeker is dat AI op termijn, nog meer dan vandaag, hulp zal kunnen bieden in het dokterskabinet. In een context waarin te weinig huisartsen een groeiende zorgvraag moeten zien te beantwoorden, is die hulp ongetwijfeld welkom.
Peter Peumans behaalde een doctoraat als elektrisch ingenieur aan Princeton University, en een bachelor- en masterdiploma aan de Katholieke Universiteit Leuven. Voor hij bij imec in dienst trad, was Peter Peumans professor Electrical Engineering aan de Stanford University. Hij ontving een NSF CAREER award en een Belgian-American Educational Foundation honorary fellowship. Hij is momenteel verantwoordelijk voor imec's strategie in gezondheid.
Gepubliceerd op:
23 oktober 2023