Diagnostiek voor epilepsie efficiënter, goedkoper en 24/7 beschikbaar maken met automatische analyse voor interpretatie van het EEG; primaire leverkanker – een steeds vaker voorkomende ziekte waarvan het risico niet te voorspellen is door bloedtesten – met behulp van AI voorspellen op basis van bestaande MRI-beelden van patiënten met chronische leverziekte; uitlegbare kunstmatige-intelligentiemodellen om de ernst van psoriasis geautomatiseerd te beoordelen op basis van gestandaardiseerde, hoogwaardige klinische foto’s.
Drie sprekende voorbeelden van onderzoek naar de mogelijkheden om AI te gebruiken in medisch onderzoek. Het belang ervan is duidelijk. Visuele beoordeling van epileptiforme ontladingen op een hersenfilmpje is tijdrovend. Primaire leverkanker wordt vaak te laat ontdekt. En de dermatologische zorg staat onder druk door snelle toename van huidkankerpatiënten.
Bij de Universiteit Twente spelen twee onderzoekers een belangrijke rol in het verkennen van deze AI-toepassingen. De ene is Stéphanie van den Berg, universitair hoofddocent Research Methodology and Data Analysis. De tweede is Maryam Amir Haeri, universitair docent en computerwetenschapper. “Hier werken veel mensen uit verschillende invalshoeken met elkaar samen”, vertelt ze in editie 4 van ICT&health. “Ook mensen die zich bezighouden met de ethiek van en de communicatie over zorgtechnologie en met mentale gezondheid.”
Het AI-onderzoek waarmee zij zich bezighouden, vraagt om samenwerking tussen de wetenschap en de kliniek. “Meestal komt de kliniek naar ons toe”, zegt Van den Berg. “Voor het AI-voorspelmodel voor primaire leverkanker bijvoorbeeld werden we benaderd door MDL-arts Maureen Guichelaar van Medisch Spectrum Twente. En voor het psoriasis-model was dit dermatoloog Tanja Vogel uit hetzelfde ziekenhuis.”
Open voor gesprek
Voor dergelijke samenwerkingen staan beiden graag open. “Als we met afdelingen in ziekenhuizen in gesprek gaan, merken we dat ze nog niet altijd de data hebben om een onderzoek mee te kunnen starten”, stelt Amir Haeri. “Maar door met ze in gesprek te gaan, ontstaat een basis om daar gericht aan te gaan werken. Zelf data verzamelen is dan een onderdeel van het onderzoeksvoorstel.”
Als de data er wel is, is die niet altijd schoon, vult Van den Berg aan. “Bovendien zijn de patiëntaantallen vaak te beperkt of zit er te weinig informatie in. Ook ontbreken soms labels van de patiënten. Data van slechts één ziekenhuis wordt bovendien door wetenschappelijke tijdschriften niet geaccepteerd als basis voor een publicatie. Daarvoor zijn data van meerdere ziekenhuizen nodig.”
“Met beperkte data zijn de mogelijkheden ook beperkt”, meent Amir Haeri, “dus is het zaak ze aan te vullen met data van andere ziekenhuizen. Of het AI-model als eerste stap te pre-learnen op andere data. Er zijn wel methoden voor data-augmentation, maar ook daarvoor is een minimale hoeveelheid data vereist.” Het is echt nodig om binnen grotere consortia te gaan werken, voegt Van den Berg toe. “Wel geeft dit weer problemen voor dataharmonisatie, omdat verschillende centra data op verschillende manieren verzamelen en verwerken.”
Meer samenwerking
Amir Haeri zegt te hopen dat over een paar jaar sprake is van meer bruikbare data en samenwerking tussen ziekenhuizen. “Er is aandacht voor federated data analysis”, zegt ze, “voor het creëren van een infrastructuur die data van meerdere centra delen mogelijk maakt.”
Punt van aandacht is nog wel dat partijen data vaak als hun eigendom beschouwen, stelt Van den Berg. “We zien de FAIR-principes als een omslag naar open wetenschap. Vooral bij de jongere generatie zien we meer bereidheid tot samenwerking als je met goede ideeën komt. Ook de oudere garde begint bovendien in te zien dat ze niet alleen data nodig hebben, maar ook de expertise om iets met die data te kunnen doen: AI-expertise en statistische expertise.”
Dit artikel gemist? Lees het terug in ICT&health editie 4, 2025. Of lees het in ons online magazine.
