Hoe maakt AI de sprong van theorie naar dokterspraktijk?

Wie AI-algoritmes en machine learning zegt, zegt trainingsdata, véél data. En in het geval van medische data is dat vrijwel altijd een complex gegeven. Een voor de hand liggende uitdaging is privacy en beveiliging. Toen de Britse National Health Service (NHS) in 2018 te kampen kreeg met een groot datalek, werd daar – terecht – met veel verontwaardiging op gereageerd.

Technisch valt zoiets vandaag zeker op te lossen. Bij federated learning worden inzichten gedeeld om een AI-model te verfijnen, maar niet de brondata zelf. Het probleem met deze manier van werken, is dat het een grote compatibiliteit en vergelijkbaarheid van de data vergt. In de praktijk zit er echter behoorlijk wat variatie in de manier waarop ziekenhuizen, artsen en zorgnetten hun data beheren, structureren en labelen. Dat heeft er mee te maken dat het aanvankelijk nooit de bedoeling was om buiten de eigen ziekenhuis- of kabinetsmuren samen te werken of data te delen. En tot vandaag blijft er terughoudendheid om bij te dragen aan een AI-model dat niet exclusief in handen is van het eigen ziekenhuis.

Maar wat als we verschillende AI-modellen, die elk lokaal getraind zijn op hun eigen data, kunnen laten samenwerken tot een beter ‘geaggregeerd’ model? Data-onderzoekers hebben nu een model ontwikkeld waarmee je de kennis en data uit verschillende ziekenhuizen kan combineren zonder dat er eerst homogenisatiewerk moet gebeuren, maar mét respect voor de privacy van patiëntendata en met behoud van ieders eigendomsrecht over de individuele deel-modellen. Resultaat: een nauwkeuriger supermodel, dat moet leiden tot een betere patiëntenzorg.

Naar een nieuwe data-architectuur voor gezondheidszorg

Theorie is één ding, om het ook in de praktijk uit te voeren moeten multidisciplinaire teams en stakeholders samenwerken. In Vlaanderen hebben we daar expertise rond opgebouwd met het door VLAIO ondersteunde ATHENA-project (Augmenting THerapeutic Effectiveness through Novel Analytics).

Binnen dit project werd door deelnemende hospitalen (UZ Leuven, UZ Gent, AZ Groeninge, CHU de Liège, Onze Lieve Vrouw-ziekenhuis in Aalst en het Ziekenhuis Oost-Limburg) bekeken hoe bestaande data hergebruikt kunnen worden om het onderzoek te voeden naar de beste therapie voor blaaskanker en voor multiple myeloma. Het ging daarbij zowel over zogenaamde omics (dna- of rna-screening bijvoorbeeld) als over niet-omics, zoals medische beeldvorming.

Wat bleek? We konden een grootschalige patiëntenpopulatie over verschillende ziekenhuizen heen onderverdelen in subgroepen, waardoor je per subgroep accurater kan voorspellen welke behandeling zal aanslaan en welke nevenwerkingen zal teweegbrengen. Het is een manier om onder- en (dure) overbehandeling tegen te gaan. Beter aangepaste behandelingen en zorg dus.

Wat blijft uitdagend? Supermodellen vergen naast kwalitatieve data ook superveel rekenkracht. Dat schept uitdagingen voor de schaalbaarheid. Met name voor grootschalig populatie-onderzoek, hebben we nog efficiëntere methodes en modellen nodig.

Een andere uitdaging is al even belangrijk: iedereen meekrijgen. Ongeacht hoe betrouwbaar, efficiënt en overtuigend een technologische mogelijkheid is, als de artsen en ziekenhuizen niet overtuigd zijn van de meerwaarde van deze supermodellen, is het bij voorbaat een verloren zaak. En wat ook bleek tijdens dit project: de ethische comités van diverse ziekenhuizen behoeven extra overtuigingskracht om machine-learningtechnieken toe te laten in een ruimer aantal toepassingen. Dat ze streng en kritisch zijn is uiteraard terecht, maar we moeten wel vermijden dat regelgeving die patiënten moet beschermen, innovatie fnuikt die de patiënten kan helpen.

Hoe de smartwatch van de buurman (ooit) uw patiënt kan redden

Artificiële intelligentie zal in de toekomst een cruciaal instrument worden in ieder dokterskabinet, net zoals de stethoscoop dat sinds mensenheugenis al is. Het zal u als arts helpen, of het nu gaat over een beter begrip van complexe aandoeningen, het optimaliseren van de behandeling, of het vroeger diagnosticeren.

In de recentste imec.digimeter valt op dat ook de bredere bevolking intussen verwachtingen koestert over de rol die technologie kan spelen voor hun gezondheid. Een groeiend aandeel (41 procent) gebruikt wearables en bijbehorende gezondheids- en/of sportapps. Een grote groep blijkt ook bereid om die data te delen met de arts.

Zou het niet mooi zijn als de smartwatchdata van uw buurman ertoe bijdragen dat u uw patiënten een beter onderbouwde therapie kan voorschotelen? Vooraleer dat mogelijk is, moeten de ruwe data van die smartwatches beschikbaar zijn om er (geaggregeerde) AI-modellen mee te voeden. Dat is vandaag nog niet zo evident: een patiënt die zijn data opvraagt bij een bedrijf dat fitnesstrackers of smartwatches verkoopt, krijgt doorgaans enkele ‘inzichten’, maar niet de ruwe data. Beter – en eerlijker –  zou het zijn als de patiënt wél over zijn eigen gezondheidsdata kan beschikken, en die in een persoonlijk datakluisje kan steken, waarvan hij dan zelf uitmaakt met wie hij die data wil delen. Dat is het principe van SOLID, een nieuwe kijk op persoonlijke data die gebruikers meer controle geeft over hun data.

De gouden combinatie van een grote hoeveelheid data, die beveiligd is via datakluisjes en AI-modellen die samenwerken over zorginstellingen heen, kan de medische kennis naar een hoger niveau tillen. Daar profiteren uw patiënten ongetwijfeld van. De uitdaging is groot en het overtuigingstraject lang. Maar het lijkt me wel wat van onze energie waard.

Dit artikel verscheen eerder in De Artsenkrant.