In de huidige gezondheidszorg ligt de nadruk bij de meeste disciplines op de expertise van artsen en verpleegkundigen. Digitale technologie speelt vaak nog een geringe rol. Dit is historisch zo gegroeid: voorheen was de kennis van de zorgverlener genoeg om het juiste oordeel te vellen over een ziekte of bijpassende behandeling. Sinds de opkomst van wetenschappen als moleculaire biologie, genetica en ‘omics’ weten we steeds meer over het ontstaan en bestrijden van ziekte. Artsen kunnen nu beschikken over veel meer data bij het maken van een besluit over een ziekte of behandeling. Artificial Intelligence (AI)-oplossingen spelen daarbij een belangrijke rol. Toch is de inzet van AI nog lang geen mainstream in de klinische praktijk. Daarvoor moet nog aantal hordes worden genomen.
Kunstmatige intelligentie bewijst zijn waarde in de gezondheidszorg bij het verbeteren van zowel de zorgprocessen als de patiëntuitkomsten. Zo kan een AI-model ziekenhuizen inzicht geven in de knelpunten binnen zorgpaden of tijdig voorspellen wanneer consulten uitlopen. Een app kan de patiënt vervolgens laten zien of hij/zij later aan de beurt is, waardoor lang wachten kan worden voorkomen.
Als het gaat om patiëntuitkomsten helpt AI artsen met het condenseren van informatie, zodat zij de juiste keuze kunnen maken voor een individuele patiënt. Goede voorbeelden hiervan zijn te vinden in de oncologie.
Tijdwinst
Voor het opstellen van het bestralingsplan kan AI de arts helpen bij het aanduiden van het doelgebied, het ‘intekenen van de tumor’. Nu voert de arts dit volledig handmatig uit. Dat is betrouwbaar, maar er is nog het één en ander te winnen. Er bestaat onderlinge variatie bij het intekenen tussen de artsen. Ook blijkt dat artsen op verschillende momenten andere keuzes maken, waardoor minimale verschillen ontstaan.
AI kan niet alleen deze inter- en intra-individuele verschillen verkleinen, maar ook tijd besparen. Onderzoek heeft aangetoond dat dit een tijdswinst van zo’n 10 minuten per intekening kan opleveren omdat de arts deze alleen nog hoeft te controleren1. Als voorbereiding op de implementatie van een dergelijke ondersteuning, loopt er bij het HagaZiekenhuis een innovatieproject om dit aan laboranten over te laten, met een eindcontrole door de arts.
Ook kan AI artsen en patiënten ondersteunen om samen beslissingen te nemen. Terminaal zieke patiënten kunnen bijvoorbeeld geïnformeerd worden over hun overlevingskansen, waardoor ze de mogelijkheid krijgen de bijwerkingen van een behandeling af te wegen tegen de winst in tijd. Maastro voert momenteel een studie uit, waarin dit scenario wordt getest in een klinische studie met terminale longkankerpatiënten die bestraling van de hersenen kunnen ondergaan: Prophylactic Cranial Irradiation (PCI)2. Omdat PCI een behandeling is met veel (zware) bijwerkingen is de verwachting dat patiënten en artsen door beter inzicht in de overlevingskansen, vaker zullen kiezen voor minder heftige behandelingen en in dit geval ervoor kiezen PCI niet te doen.
"Het menselijke team van zorgverleners en patiënt bezit het kompas om regie te nemen over de technologie"
Keuzehulp personaliseren
Een andere toepassing van AI in de klinische praktijk is het personaliseren van keuzehulpen. Momenteel bestaan keuzehulpen grotendeels uit teksten, video’s en animaties die een ziekte en de bijbehorende behandelopties op een eenvoudige manier uitleggen. Daarnaast bevatten ze ook vaak een lijst met vragen, waarmee de impact van de verschillende aspecten van een behandeling wordt verduidelijkt. De ene patiënt is bijvoorbeeld alleenstaand en kan dus opgenomen worden in het ziekenhuis, terwijl de ander dit niet kan in verband met zorgtaken.
Sommige keuzehulpen geven ook aan wat de overlevingskansen zijn van de verschillende behandelopties op basis van klinische studies of landelijke overlevingscijfers3. Zo kan bijvoorbeeld worden weergegeven dat de overlevingskans van een kankerbehandeling gemiddeld 60 procent is. Toch zal dit voor iemand die fit is iets heel anders betekenen dan voor iemand met een chronische ziekte.
Het implementeren van AI in een keuzehulp geeft patiënten de mogelijkheid om informatie te ontvangen over hun specifieke situatie. In samenwerking met Hogeschool Zuyd ontwikkelt Maastro momenteel een gepersonaliseerde keuzehulp voor patiënten met prostaatkanker. Met deze tool krijgt de prostaatkankerpatiënt straks gepersonaliseerde informatie te zien over relevante behandelopties. Een patiënt die al bijvoorbeeld last heeft van incontinentie, heeft waarschijnlijk een hogere kans dat dit verergert door een behandeling dan een patiënt die dit niet heeft.
Anderen onderzoeken het gebruik van AI in de intensive care. Hier wordt gekeken of de technologie kan voorspellen welke patiënten niet meer op de intensive care hoeven te blijven en welke patiënten een hoge kans hebben om te verslechteren. De AI-oplossing kan bijvoorbeeld voorspellen hoe een patiënt zal reageren op een behandeling, waardoor artsen de trajecten kunnen aanpassen tot de meest effectieve behandeling voor een individuele patiënt, met tegelijkertijd de minste hoeveelheid bijwerkingen.
Langzame adaptatie
Ondanks al genoemde mooie initiatieven verloopt de opname van AI in de klinische praktijk tergend langzaam. Inmiddels zijn er zo’n 100.000 voorspellingsmodellen met een toepassing in de gezondheidszorg online beschikbaar, waarvan slechts een beperkt deel klinisch is gevalideerd4. Toch wordt maar een handvol van deze oplossingen daadwerkelijk gebruikt. Onze ervaring is dat tal van aspecten een struikelblok vormen voor de brede omarming van AI. Enkele daarvan zijn:
Een black box. Maar is dat erg?
AI als ‘black box’ is een vaak genoemd knelpunt, omdat een algoritme zelf leert hoe het tot een oplossing komt. Sommige algoritmen doen dit op een begrijpelijke manier, zoals beslisbomen. Hierbij wordt een reeks achtereenvolgende ja/nee-besluiten genomen. Maar toch zullen veel onderzoeksvragen meer complexe algoritmen nodig hebben, die niet gemakkelijk te begrijpen zijn.
Mensen hebben hier soms moeite mee. Dat is invoelbaar, want hoe kun je inschatten óf iets goed werkt als je niet begrijpt hóe het werkt?
Toch is het vaak niet haalbaar om zowel een nauwkeurige als een begrijpelijke voorspelling te doen. We weten meestal ook niet hoe medicatie precies werkt of hoe onze auto’s, vliegtuigen, telefoons en computers werken, maar toch kunnen we niet meer zonder. Afhankelijk van het toepassingsgebied zal dit consequenties hebben.
Dealen met techniek in de kliniek
De discipline radiotherapie is een gebied dat vanuit de technologie is ontstaan. Daarom is in dit vakgebied continu de link te zien tussen kliniek en technologie. Introductie van elke nieuwe techniek stelt ons voor onzekerheden, ook al is de basis wetenschappelijk beschikbaar en is de techniek elders al in gebruik.
Hier spelen we op in door een ‘droge oefening’ uit te voeren. Dat biedt de mogelijkheid het werkproces kritisch tegen het licht te houden: flinke correcties zijn heel normaal in deze fase. Bij klinische introductie zal initieel menselijke finetuning en voorzichtigheid de overhand hebben. Later, als er meer ervaring met de nieuwe technologie is, kan er ook meer gevaren worden op protocol, waarbij de efficiëntie kan toenemen. Op deze manier zouden we ook naar kunstmatige intelligentie kunnen kijken.
