Tool voor gepersonaliseerde, proactieve geneeskunde

Zal ook de arts met een gewone praktijk, de huisarts bijvoorbeeld, met AI te maken krijgen? Een belangrijke vaststelling is dat data over patiënten vandaag de dag elektronisch bijgehouden worden: gegevens over diagnosen, behandelingen en medicatie staan in elektronische dossiers. Machine learning kan in die massa gegevens die vanuit deze dossiers beschikbaar worden gemaakt, naar patronen gaan zoeken. Eenvoudig voorbeeld: als je bij een patiënt aandoening A en B vaststelt, dan is de kans groot dat hij binnen zoveel tijd de aandoening C zal ontwikkelen. Zo een ontwikkeling biedt veel mogelijkheden voor de toekomst van de medische praktijk. Met de inzichten die hier uit komen, zal de arts veel meer een gepersonaliseerde, proactieve geneeskunde kunnen aanbieden. Het streefdoel is dat de dokter kan ingrijpen, nog voordat een ziekte zich manifesteert. Ik stel het me een beetje zo voor dat de (huis)arts van morgen - voor sommige aandoeningen - vanachter de computer zijn patiënten op afstand volgt. Hij houdt de waarden die worden geregistreerd in het oog. Nog voordat de patiënt effectief bepaalde symptomen ontwikkelt, laat hij die naar de praktijk komen om een gepaste interventie te bespreken. De verbanden en patronen die machine learning uit de enorm grote hoeveelheid gegevens kan afleiden, zal de arts een beter inzicht bieden in wanneer bij zijn patiënt de knipperlichten gaan branden. Op dit moment staat AI in de belangstelling bij het publiek door intelligente taaltoepassingen zoals ChatGPT. Ook voor dat soort van toepassingen zie ik mogelijkheden. De huisarts wordt in de praktijk geconfronteerd met een hele waaier van problemen - zijn domein is heel breed. Uit onderzoek blijkt dat de huisarts zich per dag wel geregeld iets afvraagt waar hij niet meteen het antwoord op weet. Wat is de meest geschikte dosering van dit geneesmiddel voor een zwangere vrouw, bijvoorbeeld? Uit dat onderzoek blijkt ook dat nogal wat van die vragen op het eind van de dag onbeantwoord gebleven zijn. Er wordt al lang gewerkt aan Q&A-systemen: de huisarts stelt zijn vraag en de computer formuleert het juiste antwoord. Maar daar is ook nog veel werk aan de winkel. Het antwoord dat de gespecialiseerde chatrobot formuleert moet betrouwbaar en voldoende genuanceerd zijn. Wat zal dat voor de arts en patiënt opleveren? Voor de patiënt zal dat een betere zorg opleveren. De arts zal efficiënter en doelmatiger kunnen werken. Het is nu al duidelijk dat AI-toepassingen tot nauwkeurigere resultaten kunnen leiden. De arts bouwt ervaring op op grond van een - al bij al - beperkt aantal gevallen. Een AI-toepassing kan gegevens verwerken over miljoenen patiënten. Een arts krijgt misschien op een dag een patiënt met een zeldzame ziekte over de vloer die hij nog nooit eerder bij een andere patiënt heeft gezien - die hij in de loop van zijn carrière misschien ook maar een keer of hooguit een paar keer zal zien. Een AI-toepassing kan hem attent maken op mogelijkheden die hij over het hoofd dreigt te zien en hem op de rechte weg zetten. Maar het is de arts én de intelligente computer - niet de een of de ander. Een computer verzamelt kennis over de wereld enkel vanuit de beschikbare data. Dat is erg beperkend. Je hebt bijvoorbeeld systemen die getraind zijn met duizenden foto's om daarop maligne huidtumoren te onderscheiden van onschuldige huidvlekjes. Maar dat is dan ook het enige wat het systeem kent. En een foto is ook maar een foto. De arts kan het reliëf van het huidletsel beter beoordelen, het vlekje vanuit verschillende hoeken bekijken. Hij kan het eens betasten. Hij kan de patiënt vragen stellen zoals hoe lang het vlekje er al is, hoe snel het veranderd is. Enzovoort. Wat zijn naast de voordelen van AI de caveats? AI heeft het voordeel dat het op korte tijd enorm grote datasets kan verwerken, waar een arts nooit zou doorheen geraken, en daar kennis kan uit puren. Een computer gaat na de vijftigste patiënt ook geen vermoeidheid vertonen. Een arts gaat als hij al te lang aan het werk is misschien iets missen of makkelijker een fout maken. Maar er zijn ook andere caveats met het gebruik van AI. Het model dat AI ontwikkelt kan ook maar zo goed zijn als de dataset waarop het algoritme is getraind. Als de dataset een bias vertoont, zal de AI-toepassing bij gebruik diezelfde scheeftrekking of vooringenomenheid vertonen. Data die in de verschillende databronnen zoals medische dossiers zitten opgeslagen kunnen ook niet zomaar gebruikt worden door AI-toepassingen. De ene arts registreert niet steeds iets op dezelfde manier als de andere. Verschillende artsen gebruiken misschien ook verschillende systemen die met andere formats of eenheden werken. Om algoritmen te trainen, moeten de data eerst opgeschoond en bruikbaar gemaakt worden. En natuurlijk moet de privacy van betrokken personen bij die verwerking beschermd worden. De tools die met AI worden ontwikkeld, moeten voordat ze in de praktijk gebruikt kunnen worden, nauwgezet gevalideerd worden. Een model dat is ontwikkeld met gegevens op een populatie die rond Kortrijk woont, is niet zomaar elders in Vlaanderen toepasbaar - laat staan elders in de wereld. Of een model overdraagbaar is op een andere populatie moet worden gecontroleerd. Een AI-toepassing moet voor ze naar de praktijk wordt gebracht, nauwgezet worden gevalideerd met uitgebreide datasets. Naast de overdraagbaarheid speelt ook de transparantie van de modellen een rol. Hoe de actuele AI-algoritmen - machine learning en meer bepaald deep learning - tot bepaalde bevindingen komen is vaak zeer moeilijk te reconstrueren. Daar is nog veel werk aan de winkel. De arts moet kunnen nagaan hoe een bepaalde output tot stand is gekomen, welke factoren daarin worden afgewogen. De bevindingen waartoe het AI-algoritme komt moeten voor medici ook steek houden, stroken met de inzichten. Het is ook niet omdat een AI-model in een onderzoeksetting wel betrouwbare resultaten oplevert, dat het bruikbaar is in de medische praktijk. Neem bijvoorbeeld een model dat erg betrouwbaar kan voorspellen wanneer ernstige manifestaties van een hartaandoening zich gaan uiten, maar dat als input 50 parameters nodig heeft. De cardioloog kan die in zijn dagelijkse praktijk nooit allemaal aanleveren. De waarde van dat model is dan zeer beperkt. Je moet modellen ontwikkelen die aansluiten bij de manier waarop de arts effectief te werk gaat, tests die in de dagelijkse praktijk bruikbaar zijn. Moet de arts een computerexpert worden? De arts zal niet blindelings moeten vertrouwen op wat de computer hem vertelt. Hij zal ermee moeten leren rekening houden waar het fout kan gaan. Net zoals wanneer je met Google Translate werkt: je weet dat het resultaat niet 100% perfect is. Af en toe komt er een bizarre zin uit en de gebruiker moet dat weten bij te sturen. AI vervangt de arts niet, het is voor hem een instrument waarmee hij moet leren werken. In de hervormde opleiding geneeskunde aan KU Leuven zullen we studenten vanaf volgend jaar vertrouwd maken met AI door keuzevakken. De arts moet de principes niet zo in de diepte kennen dat hij bijvoorbeeld in staat is zelf algoritmen te ontwerpen. Maar hij moet de basisconcepten meekrijgen, die hem een beeld geven van hoe AI in praktijk werkt - hoe de resultaten tot stand komen. Hij moet de betrouwbaarheid van een resultaat kunnen inschatten en de beperkingen van deze systemen begrijpen. Daarbij spelen ook begrippen als sensitiviteit en specificiteit en concepten die daarop voortbouwen een rol. Die kennen artsen al goed vanuit de diagnostiek. De arts moet het antwoord van AI vertalen naar de klinische context, het belang bepalen voor de patiënt in kwestie.De arts en niet de computer blijft dus het aanspreekpunt van de patiënt. De arts moet wat de AI vertelt kunnen vertalen naar de werkelijkheid van de patiënt.