De (zorg)innovatie van de eeuw: machine learning
"Kunstmatige intelligentie is de nieuwe elektriciteit. Net zoals elektriciteit vrijwel elke industrie in de vorige eeuw heeft getransformeerd, zal kunstmatige intelligentie vrijwel elke industrie in de huidige eeuw transformeren."
- Andrew Ng, Baidu hoofdwetenschapper, medeoprichter van Coursera en Stanford AI-professor.
Innovaties komen en gaan, en af en toe staat er een innovatie op die niet te negeren valt. Kunstmatige intelligentie, of machine learning is zo'n innovatie. Net zoals elektriciteit of internet is deze uitvinding niet te negeren, ook niet in de zorg. Wat is de impact? Wat kunnen we ervan leren? En moeten we het met beide handen aanpakken of een afwachtende houding aannemen?
De mogelijkheden met machine learning zijn de laatste 10 jaar enorm toegenomen. Denk bijvoorbeeld aan Netflix filmsuggesties, Google Maps routes en zelfrijdende auto's. Ook in de gezondheidszorg groeit de populariteit van machine learning door mogelijkheden voor het verbeteren van de diagnostiek, het voorspellen van resultaten en het personaliseren van de zorg. 'Ook in de gezondheidszorg groeit de populariteit van machine learning'
Zullen artsen of verpleegkundigen dan (uiteindelijk) worden vervangen door machines? Dit klinkt futuristisch en onwaarschijnlijk. Maar zoals blijkt uit onderstaande e-mail beschouwen sommige mensen het echter als een waarschijnlijk scenario. Voor hen is het meer een kwestie van wanneer, niet als.
Figuur 1. E-mail van een specialist in opleiding naar een machine learning professor over zijn zorg vervangen te worden.
Wat is machine learning?
Oké, we hebben het nu al even over machine learning, maar wat is dat nu precies? Bij machine learning traint een reeks technieken een bepaalde taak aan een machine (algoritme), zonder dat een ontwikkelaar daarvoor hoeft te programmeren. Dit betekent dat ontwikkelaars nooit helemaal precies weten hoe de machine uiteindelijk de taak doet. 'Dit betekent dat ontwikkelaars nooit helemaal precies weten hoe de machine uiteindelijk de taak doet'
De meest populaire vorm van machine learning heet, met een technische term, supervised learning. En nu komt een enigszins technische uitleg. Met supervised learning krijgt een machine heel veel voorbeeldgegevens te zien met daaraan een label. We laten bijvoorbeeld afbeeldingen aan de machine zien die een label hebben met het onderwerp van de afbeelding. Door voldoende afbeeldingen te laten zien, kan de machine worden getraind om zelf het label van een afbeelding te voorspellen.
Na de training kunnen we de machine bijvoorbeeld gebruiken om nieuwe afbeeldingen te labelen of in te delen. Op een vergelijkbare manier kan het worden getraind om videofeeds, fysiologische gegevens, handschriften of spraak te labelen, om maar iets te noemen.
Figuur 2. Het nu beroemde chihuahua versus muffin-probleem, een probleem dat de techniek nog steeds uitdaagt.
Iedereen maakt er al gebruik van!
Enkele interessante voorbeelden van dit soort machine learning worden tegenwoordig veel gebruikt in ons dagelijks leven. Facebook gebruikt het bijvoorbeeld om je tijdlijn te verbeteren, zodat ze je dingen kunnen laten zien waarvan ze denken dat die belangrijk voor je zijn. En Apple gebruikt het om op je iPhone de Fotoherinneringen in de app Foto's te maken.
'Een beroemd voorbeeld is deze toepassing in de radiologie, waarbij machine learning algoritmen van Google worden ingezet om borstkanker te detecteren' En ook in de zorg wordt machine learning al gebruikt. Een beroemd voorbeeld is deze toepassing in de radiologie, waarbij machine learning algoritmen van Google worden ingezet om borstkanker te detecteren. Dit zijn overigens dezelfde algoritmen als die in de Google Foto-app. Zij worden getraind met enorme hoeveelheden radiologische foto's. Een ander voorbeeld in de zorg is het gebruik van machine learning om aritmie (hartritmestoornis) op te sporen in AliveCor's Kardia ECG-monitor. Deze wordt al gebruikt door Cardiologie Centra Nederland.
Je kan dus wel stellen dat machine learning niet meer weg te denken is uit ons dagelijks leven. En heel interessant, of het nu op je telefoon is, je een autonoom rijdende Tesla voorbij ziet rijden of een muziekaanbeveling van Spotify krijgt; de ontwikkelaars weten nooit precies hoe de machine het geleerd heeft. Denk daar eens over na! Ze voeden zich gewoon in gelabelde gegevens en de algoritmen komen er zelf achter.
Impact op de zorg
Uitdagingen in de gezondheidszorg worden gekenmerkt door een enorme groei van het aantal chronisch zieke mensen, zowel door de vergrijzing van de bevolking als door de veranderende levensstijl en gewoonten. Als gevolg hiervan staat de kwaliteit van zorg onder druk, omdat er onvoldoende middelen zijn om voor alle patiënten te zorgen met dezelfde kwaliteit als nu het geval is. De Spoedeisende Hulp (SEH's) zijn in veel westerse landen al overbelast en het probleem neemt snel toe.
'Om iedereen dezelfde goede zorg te bieden, moeten we de gezondheidszorg anders organiseren' Om iedereen dezelfde goede zorg te bieden, moeten we de gezondheidszorg anders organiseren en zorgen voor efficiëntere processen en manieren van werken voor zorgprofessionals. Dit kan worden bereikt door ze te ondersteunen met intelligente machines.
In dit licht kan machine learning worden vergeleken met een automatische piloot in een vliegtuig. De piloot blijft verantwoordelijk en onder controle, maar de machine kan specifieke taken ophalen. De autopilot zou zorgprofessionals bijvoorbeeld kunnen helpen om efficiënter te werken, door hen te laten focussen op de meer complexe gevallen, terwijl ze dezelfde kwaliteit van zorg bieden.
Wat zouden we ermee kunnen?
Bij het brainstormen over ideeën voor het gebruik van machine learning in de gezondheidszorg en in het bijzonder bij telemonitoring, wordt duidelijk dat er tal van mogelijkheden zijn. Hieronder staan 3 van de ideeën die de moeite waard kunnen zijn, maar ik kan er zo nog tientallen opnoemen.
1. Voorspellen van exacerbaties
Verschillende studies hebben reeds de kracht aangetoond van het voorspellen van exacerbaties op basis van fysiologische signalen, bijvoorbeeld bij chronische ziekten als hypertensie en COPD. Machine learning kan meetgegevens als bloeddruk en hartslag gebruiken om het risico te voorspellen van exacerbaties die in de komende dagen of zelf weken zouden kunnen plaatsvinden.
Voordeel: vroegtijdig ingrijpen wanneer exacerbaties waarschijnlijk zijn.
2. Het automatiseren van werkprocessen
Op het moment worden alle meldingen binnen onze applicatie cVitals geëvalueerd en afgehandeld door een zorgprofessional, vaak een verpleegkundige. Veelal vraagt de verpleegkundige de patiënt een extra meting te doen om de eerste meting te bevestigen. Machine learning zou kunnen voorspellen wanneer een verpleegkundige om extra metingen zou vragen en de patiënt alvast kunnen vragen een extra meting te doen.
Voordeel: dit kan de belasting voor zorgprofessionals verlichten en het opsporen van gevaarlijke situaties bespoedigen.
3. Motiveren van patiënten
Wanneer een patiënt zijn of haar gedrag moet veranderen vanwege een verhoogd risico of als onderdeel van een behandeling, dan zijn er verschillende manieren om een patiënt te motiveren. Verschillende mensen hebben verschillende communicatievoorkeuren en zijn gevoelig voor verschillende manieren van motivatie. Sommigen zullen bijvoorbeeld baat hebben bij directe analytische feedback, wat hen motiveert om te veranderen, terwijl anderen een meer persoonlijke empathische stijl nodig hebben. Machine learning kan voorspellen welke patiënt baat heeft bij welke communicatiestijl.
Voordeel: effectievere interventies, of het nu gaat om digitale informatie in de apps of om communicatie tussen patiënt en hulpverlener.
Dit is ongetwijfeld het topje van de ijsberg en we kunnen nog veel meer bedenken. Uit ervaring weet ik dat zodra je echt met de gegevens begint te werken, er tal van nieuwe ideeën zullen volgen.
Goede en persoonlijke zorg voor iedereen
'Machine learning zal in de toekomst noodzakelijk zijn om hoogwaardige en persoonlijke zorg aan iedereen te kunnen blijven geven' Machine learning zal in de toekomst noodzakelijk zijn om hoogwaardige en persoonlijke zorg aan iedereen te kunnen blijven geven. De manier waarop we met technologie werken zal daarmee drastisch veranderen. We zullen steeds meer echt gaan samenwerken met de technologie, omdat de technologie ons steeds beter kan begrijpen. Als een vliegtuigpiloot zullen we zelf aan het roer blijven, maar zullen routinematige taken steeds meer overgenomen kunnen worden door de machine.
Dus als we van machine learning willen profiteren, dan moeten we vandaag beginnen met het ontdekken. En dat is precies wat wij doen. Nieuwsgierig? Of wil je hierbij meedenken of helpen? Laat het ons weten!
