Bron afbeelding: https://flic.kr/p/5Pnxus CC: https://creativecommons.org/licenses/by-sa/2.0/
Eind januari 2022 publiceerde de NL AI Coalitie, een ‘routekaart voor Databeschikbaarheid voor AI zorg en gezondheidszorg’. De initiatiefnemers (naast NL AI ook het Ministerie van VWS en Nictiz) constateren een toenemende belangstelling voor de toepassing van AI (of ‘kunstmatige intelligentie’) en tegelijkertijd een ontbreken van zorgdata om AI mogelijk te maken. De routekaart biedt inzicht in de gebieden of aandachtsvelden die (verder) ontwikkeld moeten worden.
Wat is Artificiële Intelligentie?
ArtificiëIe Intelligentie (AI) wordt als volgt gedefinieerd:
“Systemen die intelligent gedrag vertonen door hun omgeving te analyseren en – met een zekere mate van zelfstandigheid – actie te ondernemen om specifieke doelen te bereiken.”
Deze definitie is opgesteld door de Europese ‘High Level Expert Group on Artificial Intelligence‘. Belangrijke kenmerken van AI zijn: “1. autonomie: het vermogen om in een complexe omgeving taken uit te voeren zonder daarbij continu aangestuurd te worden door een gebruiker, en 2. aanpassingsvermogen: het vermogen tot prestatieverbetering door te leren van ervaringen” 3 .
In hun position paper “De AI koers voor Nederland en Europa” (2020) benoemt TNO als uitgangspunt voor AI in complexe en kritische omgevingen zoals de zorg, dat oplossingen die door een machine (lees: “systeem”) worden bepaald alléén worden uitgevoerd (‘hoe’) wanneer deze binnen een door de mens vastgesteld kader plaatsvinden (‘wat’), anders worden deze niet uitgevoerd. Dit wordt aangeduid als het ‘orthogonaliteitsprincipe’ en betekent dat AI nooit autonoom kan opereren zonder dat er door een mens een begrenzing of kader is ingesteld. In een zorgomgeving zal de interpretatie van scans van patiënten zodanig zijn ingesteld dat een radioloog bijv. bij een onduidelijke foto, of een foto die opvallend afwijkt van de ‘gemiddelde foto’s’ een signaal krijgt en de scan alleen zelf kan beoordelen i.p.v. de robot.
Achter AI gaan verschillende wijzen van toepassingen schuil zoals bijv. ‘Machine Learning‘. Dit is een tak van AI, gericht op het nemen van besluiten, waarbij data, statistische methoden en algoritmes worden gecombineerd om modellen op te stellen (bijv. een weersvoorspelling voor de komende week, of de verandering in het klimaat voor de komende 20 jaar).
Er zijn grofweg drie toepassingsgebieden in het onderzoek naar AI te onderscheiden: (1) gebruik voor besluitvorming (bijv. patronen vaststellen uit hartfilmpjes (ECG’s) die helpen bij het vaststellen van problemen in het pompmechanisme van het hart) ; (2) toepassing voor bijv. digitale beeldherkenning (het herkennen van verkeersborden door camera’s in auto’s) of productie (bijv. kwaliteitscontrole van producten) en (3) data en informatie (bijv. patronen herkennen in grote datavolumes die snel veranderen en een grote variatie aan kenmerken hebben (volume, variëteit en ‘velocity’).
Davenport en Ronaki (2019)1 stellen dat AI drie belangrijke behoeften van organisaties kan ondersteunen:
(1) automatisering van bedrijfsprocessen, bijvoorbeeld door de toepassing van Robotic Process Automation (RPA) die administratieve taken uitvoert zoals het updaten van een cliëntendossier met adreswijzigingen of informatie verkregen via metingen/ sensoren zoals bloeddruk of zuurstofverzadiging;
(2) inzichten verkrijgen door data-analyse, bijv. voorspellen van het toekomstig zorggebruik van een cliënt met suikerziekte die insuline gebruikt, of de kans op toekomstige ziekenhuisopname bij een specifieke combinatie van aandoening(en), gezondheidswaarden van de cliënt zoals bloeddruk of hartritme en medicijngebruik en
(3) interacteren met klanten en medewerkers door het beantwoorden van veel voorkomende vragen via een chatbot, of behandel en zorgadviezen op basis van normen en richtlijnen voor de behandeling van aandoeningen.
Obstakels voor AI
Nederlandse AI Coalitie (NL AIC) heeft het rapport ‘Op weg naar een health data infrastructuur en
afsprakenstelsel (2020)2’ gepubliceerd, opgesteld door Nictiz en Health-RI.
Om een verdere ontwikkeling van AI in de Nederlandse context mogelijk te maken blijkt vooral grootschalige toegang tot en het delen van persoonlijke medische gegevens noodzakelijk te zijn. Deze constatering is niet uniek voor AI maar is een lang gedeeld knelpunt. De oorzaken hiervan worden gezocht in technische en juridische obstakels, maar ook in een gebrek aan governance en financiële middelen.
Het rapport (Hutink et al., 2020, p. 8 -12) onderscheidt zeven categorieën waarin deze knelpunten naar voren komen:
- “Beschikbaarheid van medische gegevens. De beschikbaarheid en de toegang tot medische gegevens versnelt de ontwikkeling van AI, omdat data de grondstof zijn voor de ontwikkeling van AI-toepassingen.
- Kwaliteit van medische gegevens. De algehele kwaliteit van medische gegevens, waaronder volledigheid, eenduidige annotatie, correctheid, labels en bias is ook direct bepalend voor de kwaliteit en de snelle ontwikkeling van AI.
- Transparante en kwalitatieve AI-oplossingen. De expertise van de ontwikkelaars en de vereiste medische kennis om de resultaten inhoudelijk te beoordelen.
- Governance en organisatie van zorg(data)stelsel. De organisatie en sturing omtrent het zorg(data)stelsel is een belangrijke factor voor het succes van AI. Data-governance in de zorg is complexer dan in andere sectoren omdat medische gegevens de hoogste graad van vertrouwelijkheid hebben.
- Juridisch kader. Huidige wet- en regelgeving biedt kaders waarbinnen gewerkt moet worden. Men loopt echter aan tegen beperkingen van het juridisch kader en het gebrek aan handvatten waaraan best practices of voorwaarden (met voorbeelden) getoetst en goedgekeurd moeten zijn.
- Toegevoegde waarde van AI voor de Zorg. Het is belangrijk goed af te wegen wanneer en waar AI een meerwaarde voor de zorg is.
- AI-perceptie. De perceptie door de diverse stakeholders heeft effect op de mogelijk heden en de snelheid van de AI-ontwikkeling in Nederland. Wat hier niet bij helpt, is dat er ook een gebrek aan AI-kennis wordt ervaren in het gezondheidsdomein.”
Beoordeling van AI-oplossingen
Het zal geen verrassing zijn dat ontwikkelaars van AI oplossingen niet gaan wachten totdat de verschillende categorieën knelpunten zijn opgelost. Enerzijds stimuleert dát juist het oppakken van de knelpunten; anderzijds herbergt dit ook het risico van systemen die onvolledige, ontoereikende of een onjuiste informatie geven die gebruikt wordt voor cliëntenzorg. Welke ‘handvatten’ zijn er om de toepassing van AI te herkennen én te beoordelen.
De eerste benadering neemt de toepassing van AI in ons dagelijks leven als uitgangpunt via het ontwikkelen van kennis; de tweede benadering de toepassing en beoordeling van AI in de zorg via een leidraad.
Een Europese cursus over AI
De cursus Elements of AI, ontwikkeld door de universiteit van Helsinki en het bedrijf Reaktor voor de EU, biedt een Nederlandstalige (naast andere Europese talen) introductie op het gebied van AI. De cursussite biedt een overzicht van de verschillende onderdelen kan zonder registratie of inlog worden doorlopen. Voor het maken van oefeningen heb je echter wel een gratis inlog nodig. Daarnaast is ook een aparte Engelstalige MOOC ontwikkeld in samenwerking met andere Europese universiteiten; https://courses.mooc.fi/org/uh-cs/courses/ai-in-society, waarbij AI in een maatschappelijke context is geplaatst.
Er bestaat ook een Nederlandse cursus, waarvoor een registratie en inlog noodzakelijk zijn. Naast een basiscursus zijn er ook verschillende varianten waaronder een cursus AI in de Zorg. Beide cursussen zijn gratis.
Beoordeling van AI: Leidraad kwaliteit AI in de zorg
De “Leidraad kwaliteit AI in de zorg” is in 2021 gepubliceerd en “helpt zorgverleners in alle sectoren om de kwaliteit van aangeboden AI te beoordelen”. Bijzonder aan deze (81 pagina’s tellende) leidraad is dat deze door en voor veldpartijen in de zorg is ontwikkeld en zodoende ook een breed toepassingsveld heeft.
Behalve het document is de leidraad ook beschikbaar als online cursus (volgens de cursussite als beta versie – 04-04-2022). In plaats van AI wordt de term “Artificial Intelligence Prediction Algorithm (AIPA)” gebruikt.
De leidraad bestaat uit zes ontwikkelingsfasen van de AIPA, waarbij in de laatste fase specifiek aandacht wordt besteed aan de implementatie van AIPA in de zorgcontext. Veel aandacht wordt besteed aan de verplichte ontwikkeling en toepassing van een implementatieplan. Hierin komen naast een verplichte toetsing op betrouwbaarheid en toepasbaarheid van AIPA ook de gecontroleerde invoering in het werkproces aan de orde.
Bronnen:
1. Davenport, T.H., Ronaki, R. Artificial intelligence for the real world. In HBR’s 10 Must Reads On AI, Analytics and the New Machine Age (2019). Boston, Massachusetts: Harvard Business Review Press.
2. Hutink, H., Dolman, T., Weijenberg, L. et al. (2020). Adviesrapport Op weg naar een Health data infrastructuur en afsprakenstelsel in Nederland. Opgesteld door de subwerkgroep Health data infrastructuur en afsprakenstelsel.
3. https://www.elementsofai.nl/ – MOOC ‘Elements of AI’
Dit werk valt onder een Creative Commons Naamsvermelding-NietCommercieel 4.0 Internationaal-licentie.