Wat hebben Julius Caesar, Vincent van Gogh en Cardi B gemeen? Alle drie werden ze weleens geteisterd door heftige migraineaanvallen. Migraine bevindt zich in een wetenschappelijk terra incognita: triggers voor aanvallen, en dus ook manieren om die te vermijden, blijven vaak gehuld in mysterie. Zelflerende AI-algoritmes kunnen het vertrekpunt vormen voor een ontdekkingsreis richting ons brein.
Als migraine al beschreven staat sinds het begin van onze jaartelling, waarom lopen we dan nog altijd achter de feiten aan en begrijpen we zo weinig van de achterliggende hersenaandoening? Wel, ons brein laat zich niet zomaar openen voor onderzoek. Vandaag is zelfrapportage dé bron van informatie. Maar die input is notoir onbetrouwbaar: mensen hebben het soms al moeilijk om zich te herinneren wat ze de dag voordien aten, laat staan dat ze een accuraat verslag geven over hoe de voorbije maand verliep. Zelfs met een meticuleus bijgehouden pijndagboek blijft het lastig om te achterhalen wat een migraineaanval uitgelokt heeft.
In een domein waar de wetenschappelijke kennis sterk moet groeien, hebben we frisse inspiratie nodig. Technologie kan daarvoor zorgen. In de eerste plaats door objectieve, continu verzamelde input toe te voegen aan de zelfrapportage. Wijdverspreide toestellen als een smartwatch of smartphone zitten bomvol sensoren: een accelerometer, een hartslagmeter, een sensor die de geleiding van de huid meet. Door de data van die sensoren te analyseren, kan je activiteiten en slaappatronen detecteren. Maar je kan ook indirecte parameters leren: ons swipegedrag, het aantal tikfouten en ons appgebruik. Door zelflerende AI-algoritmes los te laten op die data vinden we nieuwe verbanden. Naast het automatisch leren van migrainetriggers en het detecteren van aanvallen, is het doel om te ontmaskeren waarmee een migraineaanval accuraat voorspeld en uiteindelijk vermeden kan worden.
Maar de leermethode van AI kampt met uitdagingen. Zo staat of valt het draagvlak van een AI-oplossing met de mate waarin we begrijpen hoe een model tot z’n voorspelling komt. Niet toevallig vormt de verklaarbaarheid van AI-toepassingen een onderdeel in de Europese AI-act. Een ander risico is dat typische ‘exploratief leren’ van AI dubbel werk kan betekenen. Het heeft weinig zin dat een model from scratch alle fundamenten van het medisch onderzoek heruitvindt. AI moet focussen op wat we nog niet weten.
Een hybride vorm van AI, waarbij onderzoekers en AI samenwerken, lijkt veelbelovend. Onderzoekers gebruiken zelflerende algoritmes om inspiratie op te doen voor nieuwe verbanden die ze meteen zelf testen. Zo blijft de verklaarbaarheid gewaarborgd, en werkt AI efficiënt. Het migraineonderzoek kan dan de stap maken van subjectieve zelfrapportage naar continue, objectieve en meer realistische monitoring in het echte leven. Met hun sensoren en de rekenkracht van hybride AI kunnen smart devices een snelweg vormen richting ons brein.
Migraine-onderzoek illustreert hoe onschuldige data op slag medische data kunnen worden. En dan is voorzichtigheid geboden bij het delen van die data. Tegelijk zijn de opportuniteiten voor onze gezondheid zo groot, dat we daar een veilige oplossing voor moeten -en zullen- vinden.
Dit artikel verscheen eerder als column in De Tijd.

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:
7 augustus 2023