‘Samenwerking van techniek en domeinkennis van de specialist’
’’Laten we alle belemmeringen vergeten en stilstaan bij mogelijkheden om machine learning toe te passen in de zorg en de manieren om dat voor elkaar te krijgen.’’ Steyn Heskes is CEO van ML6 Nederland, een bedrijf dat is gespecialiseerd in machine learning (ML). Tijdens het webinar ‘Data exchange in de zorg’ van het Healthcare Innovation Platform (HIP) vertelt hij over toepassingen van ML in de gezondheidszorg. Je kunt het webinar on demand terugkijken.
ML is een vorm van artificial intelligence, afgekort AI. Dat is een breed onderzoeksgebied dat zich richt op de ontwikkelingen van technieken en algoritmes waarmee computers zelf van alles kunnen leren. ’’Bij ML6 werken wij met gestructureerde en ongestructureerde data. Wij proberen daar informatie uit te halen en deze zo te structureren dat je er conclusies uit kunt trekken.’’
De Country Lead wil inzoomen op de kansen die ML biedt en laat een routekaartje zien van de maakindustrie. Daarop staan de stappen die je moet nemen om tot een AI-ecosysteem te komen. ’’In deze sector zijn we bezig met dezelfde soort problematiek. Het begint allemaal bij een goede blauwdruk, een goede architectuur’’, stelt hij. ’’Hoe gaan we met data om en hoe gaan we dat verzamelen?’’
Artificial intelligence (AI) richt zich op ontwikkelingen van technieken en algoritmes waarmee computers zelf van alles kunnen leren.
Vervolgens is het belangrijk om de data die je vergaart op de juiste manier op te slaan. ’’En dat je bekijkt wat er in die data zit. Wat kunnen we ervan leren en wat vertelt het ons? De stap die daarna komt, is dat je naar een intelligenter systeem gaat dat alerts geeft wanneer er iets goed of fout gaat. Of dat je zelfs advies geeft of voorspellingen doet. Daar kun je op inspelen.’’
Samenwerken om betere zorg te leveren
Uiteindelijk is het de bedoeling om dit allemaal met elkaar te verbinden in een AI-ecosysteem. ’’In havengebieden hebben ze zo’n systeem: Nextport. Daarin worden data verzameld van alle aangesloten partijen die in de haven actief zijn.’’
Voor de zorg geldt hetzelfde, zegt Steyn Heskes. ’’Binnen de zorg zijn veel partijen actief. Ook zij willen graag samenwerken om betere zorg te kunnen leveren aan patiënten.’’ Er zijn vele partijen en instellingen die al data verzamelen over patiënten. ’’Van de patiënt zelf, de huisarts, de fysiotherapeut, de medisch specialist tot het ziekenhuis en de overheid’’, somt hij op. ’’Overal wordt meer en meer data vergaard. Wat zit daar allemaal in? Wat kunnen we gebruiken en wat is de mogelijke rol van machine learning hierbij?’’
Sepsis bij baby’s voorspellen
Steyn geeft voorbeelden van projecten rond ML in de zorg, waarbij ML6 betrokken is. Het eerste betreft een ML-model dat bij te vroeg geboren baby’s voorspelt of ze risico lopen op bloedvergiftiging (sepsis) en daardoor kans hebben op ernstige ziekte of zelfs overlijden. ’’Met bepaalde sensoren bestuderen we bloedwaarden - data over tijd - en proberen we een trend te ontdekken die duidt op een risico op sepsis’’, vertelt hij. ’’De uitkomst van dit project is dat het algoritme vijf tot zes tot uur van tevoren een behandelaar kan waarschuwen om in te grijpen, om zo te voorkomen dat er complicaties optreden.’’
Dan staat de Country Lead stil bij een ander voorbeeld uit de zorg dat gaat over tekst. ’’Tijdens de coronapandemie hebben we geprobeerd om met hulp van ML online-informatie over corona toegankelijk te maken voor expats.’’ Expats spreken vaak beperkt of geen Nederlands. Terwijl veel informatiemateriaal alleen in het Nederlands verkrijgbaar is.
‘Die combinatie van data en domeinkennis zorgt dat we versneld betere zorg kunnen leveren’
’’We hebben gezorgd dat bepaalde vragen en antwoorden over het virus niet alleen beschikbaar kwamen in andere talen, maar ook in verschillende soorten woordenschat. Zo betekent COVID-19 hetzelfde als coronavirus. Je kunt allerlei documenten en teksten analyseren, vertalen en aanpassen qua woordenschat, we noemen dat ook wel semantiek. Op die manier kan iedereen de juiste informatie makkelijker vinden en begrijpen.’’
Het derde voorbeeld dat Steyn noemt, is die van medical imaging. Hierbij leert een computer om met hulp van ML huidfoto's te bekijken en te beoordelen of mogelijk sprake is van huidkanker. Voordat het zover is moeten nog wel een paar beperkingen worden opgelost. ’’Data kan nog niet altijd worden gedeeld in verband met privacy. We bewaren patiëntendata achter slot en grendel, omdat we niet willen dat ze op straat komen te liggen.’’
Maskeren van data
Er zijn diverse technieken waarmee je data op een veilige manier kunt delen en op een centrale plek kunt bewerken. Een voorbeeld daarvan is pseudonimiseren. ’’Je geeft daarbij gegevens van personen een andere waarde. Je kunt ze nog steeds goed lezen maar niet meer herleiden om wie het gaat. Een andere techniek die veel in de financiële industrie wordt gebruikt, is dat we informatie maskeren. Je leest gegevens, maar leest niet meer van wie deze zouden kunnen zijn. Daarnaast kun je gegevens anonimiseren.’’
Steyn legt uit hoe dit in een ziekenhuis kan worden toegepast. ’’Je kunt data pseudonimiseren of anonimiseren op een manier dat de data nooit herleidbaar is naar een patiënt. Daarna kunnen we de data met elkaar delen en centraal analyseren. Zodat we die gegevens kunnen gebruiken voor onderzoek.’’
Trainen van datamodellen met eigen data
Een andere oplossing betreft het anders trainen van datamodellen. ’’Het idee hiervan is dat we bepaalde datamodellen centraal ontwikkelen en lokaal beschikbaar stellen aan ziekenhuizen. Zij kunnen het datamodel dan zelf trainen met hun eigen data. Op die manier verlaat hun data nooit het ziekenhuis en worden alleen de modelparameters gedeeld. Daardoor is persoonlijke informatie beschermd en kunnen inzichten en modellen alsnog beschikbaar worden gesteld aan een grotere groep. Om dit te kunnen doen, heb je alleen wel een AI-platform nodig dat dit mogelijk maakt.’’
‘Als je iets zelf niet kunt lezen, kan de computer dat ook niet’
Ook een belemmering die moet worden opgelost, is dat veel data wordt verzameld in de vorm van geschreven tekst. ’’Doktershandschriften zijn lastig om te digitaliseren. Ieder mens schrijft immers op zijn eigen manier. Er is dus altijd een aanzienlijke kans dat handgeschreven tekst verkeerd door het algoritme wordt geïnterpreteerd. Daarbij zeg ik altijd: als je iets zelf niet kunt lezen, kan de computer dat ook niet.’’
De voorbeeldprojecten die Steyn laat zien, zijn uitgevoerd in een gecontroleerde, kleine omgeving, zo benadrukt hij. ’’In een kleine gecontroleerde omgeving kun je monitoren hoe een proces verloopt of er geen fouten in sluipen.’’ Het is volgens hem belangrijk dat je niet alleen onderzoekt hoe een model in bepaalde setting werkt en hoe je dat na een test met goede resultaten meteen in productie brengt. ’’Want dan komt ineens het grote zorglandschap waarin heel veel verschillende factoren een rol spelen. Je moet eerst zorgen dat je model robuust genoeg is.’’
Domeinkennis van de medisch specialist
Daarbij komt de domeinkennis van de medisch specialist om de hoek kijken. ’’Het gaat om de samenwerking van techniek en de domeinkennis van de medisch specialist. Ons doel is om efficiënter met data om te gaan en er lering te ondertrekken.’’
Daarbij moet ML de zorgprofessional vooral ondersteunen bij het maken van betere behandelkeuzes. En niet zijn werk willen overnemen. ’’Die combinatie van data, de conclusies die we daaruit kunnen trekken, en domeinkennis zorgt ervoor dat dat we versneld betere zorg kunnen leveren.’’
Fotografie: Remco van Oosterom
