Heb je het over artificiële intelligentie (ai) in de gezondheidszorg, dan zien we artsen die worden vervangen door robots. Geen positieve connotatie, voor de patiënt noch voor de arts, en ook nog eens een verre van realistisch. Het potentieel voor ai in de gezondheidszorg is meer divers, maar in veel opzichten ook complex.
Van virtuele zorgverlening tot intelligente automatisering van administratieve processen, de use-cases zijn breder en dieper dan velen denken. Dat betekent niet dat de sector (net als andere sectoren) geen problemen heeft om van start te gaan. Dit zijn de obstakels voor ai in de gezondheidszorg.
Drie hordes
- Vertrouwen opbouwen
Vertrouwen in ai-systemen is een wereldwijde uitdaging die zeker niet beperkt blijft tot de gezondheidszorg. Van alle Amerikaanse ceo’s noemt een derde het vertrouwen van werknemers als een van de grootste drempels voor de implementatie van ai. Daarbij komt dat vertrouwen op zich al een essentieel onderdeel van de gezondheidszorg is, met of zonder ai.
Een belangrijke factor van ai die vooral relevant is in de gezondheidszorg, is de vooringenomenheid en eerlijkheid van het model. Oneerlijkheid kan worden veroorzaakt door de bron van elk ai-project: de gegevens. Het daarom is van cruciaal belang dat ai op doordachte wijze wordt geïmplementeerd, zodat de vooringenomenheid in die gegevens niet leidt tot ongelijkheden op gezondheidsgebied, met name voor ondervertegenwoordigde of achtergestelde groepen.
Wat kan er worden gedaan om vertrouwen in te winnen? Er zijn twee elementen die hier een rol in kunnen spelen, en de eerste is kennis. Leidinggevenden moeten stappen ondernemen om iedereen die in de sector werkt, op alle niveaus, de basisprincipes van ai te laten begrijpen. De technologie moet veranderen van iets dat ver weg en eng is, in iets dat toegankelijk en eenduidig is. Het overgrote deel (79 procent) van de gezondheidswerkers onder de veertig jaar ziet digitale gezondheidstechnologieën al als de sleutel tot betere zorg voor de patiënt, en data-science en ai zijn de mechanismen om dit te bewerkstelligen.
Het tweede punt is uitlegbaarheid. Wanneer ai-systemen worden gebouwd en op grote schaal worden gebruikt, moeten ze white-box zijn, wat betekent dat mensen moeten begrijpen hoe ze werken en de resultaten kunnen interpreteren. Tegenwoordig zijn er veel tools die functies voor uitlegbaarheid bieden, alsook functies om vooringenomenheid tegen te gaan. Dankzij dit soort tools kunnen gebruikers de model-outputs begrijpen en neemt het vertrouwen toe.
- Juiste use-cases kiezen
Er zijn zoveel mogelijkheden voor ai in de gezondheidszorg dat het overweldigend kan zijn om eraan te beginnen. Is het beter om het laaghangende fruit aan te pakken voor waarde op korte termijn, of om te beginnen aan grote uitdagingen die de organisatie echt zullen onderscheiden? Het antwoord is beide. Er moet een evenwicht worden gevonden tussen de traditionele succescriteria van administratieve ai-use-cases en de unieke domein-kpi’s van op waarde gebaseerde zorg (waarvoor het moeilijker kan zijn om een duidelijke return on investment aan te tonen).
Of het nu gaat om laaghangend fruit of grote uitdagingen, een ideaal ai-project zal duidelijke en overtuigende antwoorden moeten hebben op deze vragen:
-
Wie zal baat hebben bij dit project?
-
Hoe zal het specifiek de ervaring of de resultaten verbeteren, en hoe is dit te meten?
-
Waarom is het gebruik van ai voor dit doel beter dan bestaande processen?
-
Wat zijn de voordelen als het slaagt, en wat zijn de gevolgen als het niet lukt?
-
Waar komen de gegevens vandaan, en bestaan ze al?
-
Wanneer moet een eerste werkend prototype en vervolgens een definitieve oplossing in productie worden genomen?
Voor eerste ideeën is het aan te raden om te kijken naar delen van de organisatie die veel handmatige processen en tools gebruiken, maar die niet erg geavanceerd zijn. Volgens het vakblad Health IT Analytics ziet 46 procent van de zorgprofessionals onder de veertig jaar waarde in ai voor het verminderen van inefficiënties in administratief werk.
Enkele relevante voorbeelden voor de gezondheidszorg zijn personeels- en resourceplanning (inclusief het voorkomen van verloop onder eerstelijnsmedewerkers), ai-ondersteunde codering bij de facturering van medische claims, modellen voor patiëntenrisico’s en zorgverstrekking, en classificatie van medische beeldvorming ter verbetering van klinische beslissingsondersteunende systemen.
In het kort: use-cases voor ai in de gezondheidszorg moeten gericht zijn op het verbeteren van inefficiënte processen, het verhogen van de productiviteit, het verminderen van risico’s, het onderstrepen van op waarde gebaseerde zorg, en het verbeteren van de cognitieve capaciteiten van artsen (niet het vervangen van mensen).
- Datavolume (en privacy)
Het hebben van veel data is een vereiste voor het bouwen van ai-systemen, maar er bestaat ook iets als te veel data. In de gezondheidszorg zijn gegevens evenzeer een uitdaging als een troef. Investeringsbank RBC Capital Markets schat dat ongeveer dertig procent van alle op de wereld bestaande gegevens worden gegenereerd door de gezondheidszorg. Naar schatting bestaat er voor ieder mens op aarde zo’n 270 GB aan gegevens over de gezondheidszorg (en een groot deel daarvan bestaat uit ongestructureerde gegevens). En onze interacties met digitale apparaten zullen alleen maar toenemen, met een steeds grotere nadruk op gezondheidssignalen. Al deze gegevens brengen drie unieke barrières met zich mee. De eerste is eenvoudigweg het efficiënt omgaan met al deze gegevens om een doelgerichte gegevensintegriteit te waarborgen.
De tweede is het efficiënt omgaan met al deze gegevens terwijl ook wet- en regelgeving, en privacybeperkingen in acht worden genomen. Hierbij gaat het om de privacy, beveiliging en bescherming van de gegevens die nodig zijn om ai te voeden (denk aan de-identificatie van gegevens), maar ook de privacy en beveiliging van ai-systemen in het gebruik (denk aan cyberbeveiliging van ai-gestuurde medische apparatuur).
Onder opkomende data-privacyregelgeving (zoals AVG/GDPR) wordt het direct werken met persoonlijke data beperkt, en het werken met geanonimiseerde data is moeilijk. Dus welke andere opties zijn er om met gegevens te werken in een steeds meer gereguleerde wereld?
Dat is waar een ai-platform van pas kan komen. In het algemeen hebben zowel datateams als niet-datateams een ai-platform nodig. Een van de grootste voordelen hiervan is compliance met de dataregelgeving. Ai-platforms kunnen worden ingezet voor:
-
Datacatalogisering, documentatie en duidelijke data-lineage; dat wil zeggen, datateams en leiders in staat stellen om te traceren (en vaak in één oogopslag te zien) welke databron in welk project wordt gebruikt.
-
Toegangsbeperking en -controle, inclusief scheiding per team, per rol, doel van analyse en datagebruik.
-
Makkelijke dataminimalisatie, inclusief duidelijke scheiding in projecten en ingebouwde hulp voor anonimisering en pseudonimisering, alleen gegevens die relevant zijn voor het specifieke doel worden verwerkt, waardoor het risico wordt geminimaliseerd.
De derde barrière als het gaat om datavolume is het feit dat zelfs wanneer er veel data is, er voor sommige kritieke use-cases in de gezondheidszorg niet veel gelabelde data is. In computervisie bijvoorbeeld, zijn er tonnen medische beelden, maar heel weinig die robuust gelabeld zijn voor het trainen van modellen. Het labelen van gegevens voor computervisietoepassingen is vaak zeer arbeidsintensief en vereist gespecialiseerde kennis of uitbesteed werk.
Hoewel ai zonder gelabelde gegevens technisch mogelijk is met technieken als transfer learning en unsupervised learning, maken de meeste modellen voor machine learning tegenwoordig gebruik van supervised learning, waarvoor gelabelde gegevens nodig zijn.
Mensen en processen
Zoals we hebben gezien, zijn de grootste uitdagingen voor ai in de gezondheidszorg niet inherent technologisch van aard en zijn ze eerder gebaseerd op mensen en processen. Technologie kan echter nog steeds een rol spelen bij het navigeren rond de drie hordes. Zo is het opbouwen van een sterk ai-governance-programma een belangrijk onderdeel bij het nemen van die obstakels.
Ai-governance is veel breder dan data-governance. Een ai-governance-framework dwingt organisatorische prioriteiten af door middel van gestandaardiseerde regels, processen en vereisten die vorm geven aan hoe ai wordt ontworpen, ontwikkeld en ingezet. Dit soort toezicht kan helpen vertrouwen op te bouwen en tegelijkertijd de privacy van gegevens te waarborgen, maar biedt ook genoeg flexibiliteit bieden om ai-projecten te laten bloeien.