Sorry, you need to enable JavaScript to visit this website.
Overslaan en naar de inhoud gaan
Like Dislike

Datagedreven gezondheidszorg

‘Als mens moeten we durven samenwerken met machines’

Artificiële intelligentie ontwikkelt zich vliegensvlug. Wat bij wijze van spreken vorige week niet mogelijk was, is dat nu wel. Dat zegt Jens Bontinck, Head of Labs van ML6, tijdens het webinar ‘Herbruikbaarheid Zorgdata’, georganiseerd door het Healthcare Innovation Platform (HIP). Volgens hem moeten we als mens durven samenwerken met machines die sneller werken en anders denken dan wijzelf.

Volg de nascholing Herbruikbaarheid van zorgdata

Samenvatting HIP-webinar


Download hier een pdf van het boekje ‘Herbruikbaarheid van zorgdata’ met een samenvatting van het HIP-webinar. 

Download het boekje 

Als mens moeten we durven samenwerken met machines

Jens Bontinck maakt duidelijk wat er allemaal kan met machine learning en hoe daarmee gestructureerde inzichten kunnen worden verkregen. ’’Vanuit ML6 zijn wij heel erg research-, data- en technologiegedreven. Wij proberen elke dag voor onze klanten vanuit de technologie een meerwaarde te creëren. We hebben een aantal projecten lopen die heel duidelijk maken dat data echt van toegevoegde waarde kunnen zijn in de zorg.’’ 
 

Uitdaging om zorgdata te structureren 


Volgens Jens Bontinck is het in de zorgsector een grote uitdaging om machine learning toe te passen op alle ongestructureerde data die er aanwezig zijn. ’’Er zijn heel veel databronnen die we daarvoor kunnen gebruiken. Denk aan onder meer het patiëntendossier.’’ 

Dat het niet onmogelijk is, laat hij zien tijdens zijn presentatie. Daar focust hij zich op een aantal voorbeelden van hoe ongestructureerde data worden omgezet naar gestructureerde inzichten, uiteraard met machine learning. 

Artificiële intelligentie en deep learning 

Herbruikbaarheid van zorgdata

Omdat machine learning vaak wordt ervaren als een overkoepelende term, legt het Head of Labs van ML6 uit wat ermee wordt bedoeld.  ’’Begin jaren vijftig van de vorige eeuw spraken we al over AI. Met de Turingtest werd geprobeerd een licht te werpen op de vraag of een machine menselijke intelligentie kan vertonen. Alan Turing kwam daarmee eigenlijk met het concept op de proppen.’’ Gestaag, maar mét kwaliteit is dat begrip zich verder gaan ontplooien. Vanuit AI gingen de ontwikkelingen richting machine learning. ’’Maar wat op dit moment vooral heel actueel is, is deep learning’, zegt hij. ’’Onze mogelijkheden worden daardoor heel groot. Met deep learning kunnen we netwerken trainen binnen de machines. Daarin zit echt de meerwaarde: je kunt existentiële dingen leren uit de data.’’ 

Zoveel data kunnen wij zelf niet behappen 


Volgens Jens Bontinck is het belangrijk om het verschil uit te leggen met de AI van vroeger. ’’We zijn allemaal opgegroeid met het data-aspect waarin we als mens regeltjes moeten definiëren om tot een resultaat te komen. Dat doen we op basis van data en onze ervaringen. Maar wat we inmiddels weten is dat wanneer we dezelfde data en de historische data combineren, we ook regels kunnen afleiden. Dat is een groot verschil: machines zijn nu zelf in staat om regels te maken, dynamisch te werken en daarbij te leren.’’ 

‘Machines zijn nu zelf in staat om regels te maken, dynamisch te werken en daarbij te leren.’

En daar zit volgens hem een enorme winst. ’’We zijn als mens niet in staat om de enorme hoeveelheid aan data zelf te behappen, te interpreteren, inzichtelijk te maken en te markeren. Dat kan machine learning wel.’’ 
 

Data bruikbaar maken 


Machine learning kan al die data voor ons dus wel bruikbaar maken. Dat speelt zich volgens hem op dit moment al af op vier domeinen. Het eerste domein is alles wat met taal te maken heeft, ook wel ‘natural language processing’ genoemd. Dat staat voor natuurlijke taalverwerking. ’’Dit is echt een heel actueel thema binnen de machine learning. Het gaat hierbij om alle data die worden verzameld met tekst, zowel geschreven als gesproken woord.’’ 

Het tweede domein speelt rondom alles met beelden: ‘computer vision’. ’’Dat is heel breed. Het gaat om de beelden op een camera, maar ook om infrarood-, radar- en microscopische beelden.’’  

Het derde domein heeft alles te maken met ‘time & control’. ’’Hier gaat het om alles waaraan we een tijdsdimensie kunnen geven. We kunnen voorspellingen gaan doen.’’ 

Herbruikbaarheid van zorgdata

Domein vier is het ‘recommender-aspect’. ’’Daar zijn we allemaal al bewust of onbewust mee vertrouwd geraakt’’, volgens het Head of Labs van ML6. ’’Denk maar aan de websites van diverse webshops, Netflix en Spotify. Alle suggesties en aanbevelingen die we krijgen zijn hierop gestoeld.’’ 
 

Knowledge graph om resultaten te verbeteren 


Het concept dat Jens Bontinck tijdens het webinar lanceert is de zogenoemde ’knowledge graph’. Dit is een kennisbank die wordt gebruikt om de resultaten te verbeteren met informatie die wordt verzameld uit verschillende bronnen. ’’Het is nog een heel holistisch concept waarbij we vanuit de enorme hoeveelheid data patronen kunnen identificeren.’’ 

Hiervoor zou je bijvoorbeeld diverse documenten kunnen gebruiken, onderzoeks- en doktersverslagen en patiëntendocumenten. ’’Al deze documenten bevatten gestructureerde en ongestructureerde data. De essentie van een knowledge graph is dat we informatie met onder andere natural language processing-technieken kunnen gaan halen uit documenten om die vervolgens te gebruiken als input voor de kennisgraph.’’ 

‘We kunnen in kaart brengen welke zaken een medicijn typeren. We zouden zelfs een diagnose kunnen typeren.’

Hij maakt het nog iets concreter. ’’Ik heb het dan bijvoorbeeld over het realiseren van een patiëntendimensie. Wat kunnen we weten over een patiënt? Rookt hij, ja of nee. Wat is zijn leeftijd? We kunnen met allerlei factoren een patiënt verder definiëren. Dat kunnen we ook doen met een medicijn. We kunnen in kaart brengen welke zaken een medicijn typeren. We zouden zelfs een diagnose kunnen typeren.’’ 
 

Natural language processing 


Door al die verschillende databronnen samen te brengen in een knowledge graph kan de verzamelde kennis verder inzichtelijk worden gemaakt. 

’’Op het gebied van natural language processing zijn we binnen de machine learning-wereld al een aantal technieken rijker, slechts enkele voorbeelden zijn ‘keyword extraction’, ‘sentiment analysis’ en ‘text generation’. Met keyword extraction kunnen we een machine trainen om belangrijke termen te identificeren in een bepaalde tekst. Stel dat ‘astma’ een belangrijke term is. Dan kunnen we het machine learning-model leren om die belangrijke zaken te herkennen en te classificeren.’’ 
 

Automatisch samenvatten is baanbrekend 


Een ander voorbeeld is ‘text summarization’. Daarmee kan een machine learning-model worden getraind om teksten automatisch samen te vatten, zoals doktersverslagen en rapporten. ’’Dat is baanbrekend’’, zegt Jens Bontinck, ’’want het is heel recent pas voor het eerst gelukt om via machine learning samenvattingen te laten maken die ook leesbaar zijn.’’ 

‘Het is heel recent pas voor het eerst gelukt om via machine learning samenvattingen te laten maken die ook leesbaar zijn.’

Keyword extraction en text summarization zijn daarmee twee waardevolle technieken die aantonen hoe je uit een ruw document, scan, doktersverslag of patiëntendossier de juiste punten kunt halen. ’’Eén van onze spin-off Paperbox.ai focust op automatische informatie-extractie uit ongestructureerde documenten.’’  

Door verschillende natural language processing-technieken in te zetten, kun je bepaalde parameters afleiden en zo een representatie opbouwen van een patiënt. ’’We kunnen op basis van de parameters, van die signalen, patiënten op een bepaalde manier vergelijken. We kunnen de data ook gebruiken om persoonlijke medicijnen voor te schrijven. Via een knowledge graph kunnen we die kennis beter gaan delen.’’ 
 

Computer Vision 


De techniek Computer Vision is vergelijkbaar met natural language processing, alleen wordt hierbij niet gewerkt met tekst maar met beeldmateriaal. Die beelden kunnen worden gezien als ongestructureerde data, maar de essentie van Computer Vision is om ook daar meer betekenis aan te geven.  

Een van de voorbeelden die Jens Bontinck geeft, is dat er met een intelligent model via beeldmateriaal van de huid de waarschijnlijkheid van een melanoom wordt voorspeld. ’’Zo kan worden ingeschat waar zich bijvoorbeeld een melanoom bevindt en welke dreiging deze vormt.’’ 

Met Computer Vision wordt in feite een archief vol foto’s waar geen grip op is, omgezet naar een digitale archiefkast die veel kennis beschikbaar maakt. ’’We passen daarmee op een slimme manier data toe. Dat kan ook met bewegende beelden. Zo kunnen we door de opeenvolgende foto’s van het hart hartritmestoornissen visualiseren en dus ook de anomalie voorspellen.’’ 

Time & Control 


De techniek binnen time & control speelt zich af binnen de tweede dimensie en dat is de tijd. ’’ML6 heeft op dat vlak al goed kunnen samenwerken met een Belgisch ziekenhuis. ’’We hebben daar een model gemaakt om bloedvergiftiging bij pasgeborenen te voorspellen of in elk geval op tijd aan te geven bij de artsen. We waren hier opnieuw in staat om op basis van historische data en actuele sensordata een waarheidsgetrouw beeld te geven. Op basis van de gemonitorde signalen kon men proactief handelen.’’ 

Al deze voorbeelden onderstrepen volgens hem wat de kracht kan zijn om machine learning toe te passen op de data die niet meer bruikbaar lijken. ’’Juist door die data terug te brengen in het spel kun je heel veel inzichtelijk maken.’’  

Mens en machine moeten samenwerken 


Jens Bontinck merkt op dat natural language processing en Computer Vision al vliegensvlug evolueren. ’’Wat bij wijze van spreken vorige week niet mogelijk was, is dat nu wel. We zien dat ook bij ML6. Er verschijnen veel, kwalitatief goede publicaties over deze onderwerpen.’’ 

’’Wij als mens zijn vandaag de dag ook niet meer in staat om de regels zelf op te stellen’’, gaat hij  verder. ’’We zien dat machines veel meer data kunnen verwerken, veel sneller en veel beter. Als mensen moeten we dat durven te omarmen om zo die aspecten te gaan benutten.’’ 

‘Wat bij wijze van spreken vorige week niet mogelijk was, is dat nu wel.’

De Head of Labs van ML6 gelooft zelf in het concept ‘human in de loop’, ook in de zorgsector. Daarbij werken mensen en machines samen. ’’Het is dus niet alleen een machine die zegt: ik doe het wel even. Maar wel een machine die bijvoorbeeld een huidspecialist kan adviseren over een bepaald type melanoom. Human in the loop kan een heel sterk concept zijn de komende jaren in de zorgsector.’’ 
 

Over ML6 


ML6 is een toonaangevend AI-consultancy bedrijf. De missie draait rond ‘accelerate intelligence’, waarbij het bedrijf organisaties helpt accelereren door middel van strategisch, efficiënt en vernieuwend te werk te gaan met AI. ML6 heeft fundamentele expertise opgebouwd binnen research-, data-, cloud- en custom AI solutions, telkens met als doel de meerwaarde te creëren voor hun klant. ML6 heeft succesvol een team van 80 senior AI-experts opgebouwd, zowel in Nederland (Amsterdam), België (Gent) & Duitsland (Berlijn). 

Pagina beoordelen Like Dislike