Hadden we dat maar eerder geweten! Het is een gedachte die u als arts ongetwijfeld al eens door het hoofd flitst. Veel aandoeningen zijn op zich perfect te behandelen, zolang je er op tijd bij bent. Alleen komen patiënten soms laat, en af en toe komen ze ook té laat. Gevolg: de opties nemen af om de ziekte nog goed te kunnen behandelen.

Dat is al zeker zo bij voorkamerfibrillatie (VKF), de meest voorkomende hartritmestoornis. Ben je er op tijd bij, dan kan je het hartritme proberen te reguleren. En als er al klonters gevormd zijn, dan kunnen antistollingsmedicijnen verhinderen dat die klonters fatale obstructies gaan veroorzaken.

Ooit staat er een glazen bol in uw dokterspraktijk. En die zal u helpen om méér mensen, doeltreffender te helpen

Maar VKF is een vervelend geval: de aandoening blijft dikwijls lang onder de radar. Een groot deel van de mensen met VKF heeft namelijk helemaal geen klachten. En bovendien kunnen patiënten nog een perfect normale ECG afleveren. Zo'n ECG is en blijft natuurlijk een momentopname. Zo blijft je afhankelijk van een toevalstreffer, en blijven veel risicopatiënten buiten beeld.

Ik ben hoopvol dat dat in de toekomst kan veranderen, met dank aan data en rekenkracht.

Laten we beginnen met de data: we hebben van een patiënt vandaag doorgaans veel méér data dan dat ene ECG. Soms hebben we oudere ECG's, een medische historiek van een patiënt, gegevens van de apotheek. En in de toekomst komen daar steeds vaker nog gegevens bij van smartwatches en wearables. Die bieden weliswaar een minder betrouwbare meting dan een echt ECG, maar dankzij hun continue metingen vormen ze toch een interessante en betaalbare aanvulling. En omwille van die reden worden ze ook steeds vaker terugbetaald. Bottom line: de data is er dus wel, maar we gebruiken ze nog niet. Daar zijn redenen voor: omwille van de privacygevoeligheid en het gebrek aan een juridisch kader is het vandaag niet mogelijk om medische data te delen onder ziekenhuizen, maar ook het intellectueel eigendomsrecht van commerciële toepassingen fungeert als een obstakel. En dat brengt ons bij een cruciale vraag: van wie is de medische data eigenlijk? En wie mag profiteren van z'n data? De patiënt, toch? Bij imec werken we hard aan een oplossing om de datasilo's veilig open te breken: 'Privacy-preserving Amalgamated Machine Learning'. In één zin: je deelt niet de data zelf, maar wel de inzichten die eruit voortkomen. Privacy-proof en het geeft voldoende speelruimte aan de verschillende spelers om een eigen model te bouwen met alleen lokaal beschikbare gegevens aangevuld met versleutelde inzichten van andere spelers. Zo blijven persoonlijke data en commerciële belangen beschermd, maar plukken we wel de vruchten van onze gebundelde kennis en ervaringen.

Dankzij de fenomenale ontwikkelingen in rekenkracht en artificiële intelligentie zullen zelflerende algoritmes, gevoed met data, hartritmestoornissen kunnen voorspellen, lang voordat de problemen aan het licht zouden komen in een ECG. Daarmee kopen we kostbare tijd voor de patiënt, en brengen we het aantal beroertes, infarcten en embolieën - en de bijbehorende kosten voor de maatschappij - drastisch naar beneden. Neemt AI uw job dan af? Absoluut niet. Dankzij AI kunnen we risicopatiënten identificeren die we anders zouden missen. AI zal u met andere woorden helpen om een nog betere arts te zijn. Bovendien blijft het de dokter die beslist welke opvolging nodig is - en kan hij perfect beslissen om een patiënt die niét als risicopatiënt aangeduid wordt, toch te gaan opvolgen.

Dankzij de fenomenale ontwikkelingen in rekenkracht en AI zullen zelflerende algoritmes hartritmestoornissen kunnen voorspellen, lang voordat de problemen aan het licht zouden komen in een ECG

Bij imec zijn we - in samenwerking met het Ziekenhuis Oost-Limburg - aan de slag gegaan om algoritmes die eerder ontwikkeld werden door de Amerikaanse Mayo Clinic, verder te verfijnen via federated learning. Doel: voorkamerfibrillatie minstens een jaar vooraf al voorspellen. Het is nog maar een voorsmaakje in het vroeg detecteren van vele andere ziektes en aandoeningen. Want: AI zal ons ook nieuwe inzichten opleveren over ziektes, doordat we andere elementen in het medisch dossier kunnen linken aan ziektes. Die inzichten kunnen een turbo zetten op het medisch onderzoek.

Uiteraard zijn er nog een aantal hindernissen. Algoritmes verfijnen: dat vergt véél data. We moeten het principe van federated learning nog juridisch goedgekeurd krijgen en het is een hele uitdaging om uiteenlopende types data (bvb van ziekenhuisdata en thuisdata) gecombineerd te krijgen. Maar, als ik een boude voorspelling mag doen: ooit staat er een glazen bol in uw dokterskabinet. En die zal u als arts helpen om méér mensen, doeltreffender te helpen.

Hadden we dat maar eerder geweten! Het is een gedachte die u als arts ongetwijfeld al eens door het hoofd flitst. Veel aandoeningen zijn op zich perfect te behandelen, zolang je er op tijd bij bent. Alleen komen patiënten soms laat, en af en toe komen ze ook té laat. Gevolg: de opties nemen af om de ziekte nog goed te kunnen behandelen. Dat is al zeker zo bij voorkamerfibrillatie (VKF), de meest voorkomende hartritmestoornis. Ben je er op tijd bij, dan kan je het hartritme proberen te reguleren. En als er al klonters gevormd zijn, dan kunnen antistollingsmedicijnen verhinderen dat die klonters fatale obstructies gaan veroorzaken. Maar VKF is een vervelend geval: de aandoening blijft dikwijls lang onder de radar. Een groot deel van de mensen met VKF heeft namelijk helemaal geen klachten. En bovendien kunnen patiënten nog een perfect normale ECG afleveren. Zo'n ECG is en blijft natuurlijk een momentopname. Zo blijft je afhankelijk van een toevalstreffer, en blijven veel risicopatiënten buiten beeld. Ik ben hoopvol dat dat in de toekomst kan veranderen, met dank aan data en rekenkracht. Laten we beginnen met de data: we hebben van een patiënt vandaag doorgaans veel méér data dan dat ene ECG. Soms hebben we oudere ECG's, een medische historiek van een patiënt, gegevens van de apotheek. En in de toekomst komen daar steeds vaker nog gegevens bij van smartwatches en wearables. Die bieden weliswaar een minder betrouwbare meting dan een echt ECG, maar dankzij hun continue metingen vormen ze toch een interessante en betaalbare aanvulling. En omwille van die reden worden ze ook steeds vaker terugbetaald. Bottom line: de data is er dus wel, maar we gebruiken ze nog niet. Daar zijn redenen voor: omwille van de privacygevoeligheid en het gebrek aan een juridisch kader is het vandaag niet mogelijk om medische data te delen onder ziekenhuizen, maar ook het intellectueel eigendomsrecht van commerciële toepassingen fungeert als een obstakel. En dat brengt ons bij een cruciale vraag: van wie is de medische data eigenlijk? En wie mag profiteren van z'n data? De patiënt, toch? Bij imec werken we hard aan een oplossing om de datasilo's veilig open te breken: 'Privacy-preserving Amalgamated Machine Learning'. In één zin: je deelt niet de data zelf, maar wel de inzichten die eruit voortkomen. Privacy-proof en het geeft voldoende speelruimte aan de verschillende spelers om een eigen model te bouwen met alleen lokaal beschikbare gegevens aangevuld met versleutelde inzichten van andere spelers. Zo blijven persoonlijke data en commerciële belangen beschermd, maar plukken we wel de vruchten van onze gebundelde kennis en ervaringen. Dankzij de fenomenale ontwikkelingen in rekenkracht en artificiële intelligentie zullen zelflerende algoritmes, gevoed met data, hartritmestoornissen kunnen voorspellen, lang voordat de problemen aan het licht zouden komen in een ECG. Daarmee kopen we kostbare tijd voor de patiënt, en brengen we het aantal beroertes, infarcten en embolieën - en de bijbehorende kosten voor de maatschappij - drastisch naar beneden. Neemt AI uw job dan af? Absoluut niet. Dankzij AI kunnen we risicopatiënten identificeren die we anders zouden missen. AI zal u met andere woorden helpen om een nog betere arts te zijn. Bovendien blijft het de dokter die beslist welke opvolging nodig is - en kan hij perfect beslissen om een patiënt die niét als risicopatiënt aangeduid wordt, toch te gaan opvolgen. Bij imec zijn we - in samenwerking met het Ziekenhuis Oost-Limburg - aan de slag gegaan om algoritmes die eerder ontwikkeld werden door de Amerikaanse Mayo Clinic, verder te verfijnen via federated learning. Doel: voorkamerfibrillatie minstens een jaar vooraf al voorspellen. Het is nog maar een voorsmaakje in het vroeg detecteren van vele andere ziektes en aandoeningen. Want: AI zal ons ook nieuwe inzichten opleveren over ziektes, doordat we andere elementen in het medisch dossier kunnen linken aan ziektes. Die inzichten kunnen een turbo zetten op het medisch onderzoek. Uiteraard zijn er nog een aantal hindernissen. Algoritmes verfijnen: dat vergt véél data. We moeten het principe van federated learning nog juridisch goedgekeurd krijgen en het is een hele uitdaging om uiteenlopende types data (bvb van ziekenhuisdata en thuisdata) gecombineerd te krijgen. Maar, als ik een boude voorspelling mag doen: ooit staat er een glazen bol in uw dokterskabinet. En die zal u als arts helpen om méér mensen, doeltreffender te helpen.