AI & healthcare in Amsterdam

Om deze kloof te overbruggen, organiseerde het consortium “Right Data, Right Now” hun eerste bijeenkomst “medical data & pizza“. Het consortium bestaat uit het Amsterdam UMC, OLVG, de Vrije Universiteit, PacMed, de gemeente Amsterdam en de Amsterdam Economic Board. Zij organiseren deze bijeenkomsten met als doel data scientists en artsen te verbinden en  de medische data-wetenschap en patiëntenzorg in Nederland te verbeteren. Deze meetups bieden een platform  waar projecten en ideeën worden gedeeld en om nieuwe projecten op te starten. Tijdens deze eerste bijeenkomst werd er gesproken over de voordelen van het gebruik van machine learning voor de medische wereld.

AI transformeert het klinische adviesproces

Luca Roggeveen, die deelneemt aan het onderzoeksproject ‘Right Dose Right Now’, presenteerde een innovatieve oplossing voor de behandeling van patiënten met bloedvergiftiging (d.w.z. sepsis). Sepsis is een ernstige infectie die kan leiden tot de dood als deze niet adequaat wordt behandeld. Om patiënten met sepsis met succes te behandelen, moeten artsen de juiste dosering t.o.v. de looptijd weten. Roggeveen en zijn team hebben een ondersteunend hulpmiddel bedacht dat gepersonaliseerde geneeskunde combineert met big data. Autokinetiek (AutoK) voorspelt, door middel van berekeningen, hoe het lichaam zal reageren op de inname van antibiotica. AutoK heeft directe toegang tot de grote hoeveelheden patiëntgegevens die routinematig worden verzameld. Vervolgens worden die gegevens gebruikt in farmacokinetische modellen, waardoor een sneller en preciezer doseringsadvies mogelijk is. In plaats van te moeten wachten op de laboratoriumresultaten na elke antibioticum inname, biedt AutoK een efficiënter en nauwkeuriger doseeradvies met minimale verspilde tijd. De verantwoordelijke arts bepaald het uiteindelijke advies.

Toepassen van machine learning in gezondheid

Machine learning is het proces om algoritmen te gebruiken om patronen in gegevens te ontdekken waarmee toekomstige voorspellingen kunnen worden gedaan. Een essentieel aspect van machine learning is het proces van, ten eerste, het identificeren van een probleem, ten slotte, het implementeren van de oplossing – oftewel datamining of end-to-end-leren. Zoals data-wetenschapper Mark Hoogendoorn zei: “de voordelen van machinaal leren voor de gezondheid zijn dat grotere hoeveelheden gegevens in een kortere tijdsperiode kunnen worden verwerkt. Naast het bieden van een meer accurate diagnose door personalisatie van patiëntgerelateerde gegevens.” Machinaal leren maakt de diagnose over het algemeen efficiënter en accurater aangezien het meer informatie verwerkt in minder tijd en die gegevens in de juiste context plaatst. Het kan bijvoorbeeld de hartslag van een persoon bekijken en voorspellingen doen op basis van algemene temporele patronen op de hartslagfluctuatie, maar ook rekening houden met andere variabelen, zoals leeftijd en gewicht.

End-to-end-processen zijn nogal tijdrovend, met name datavoorbereiding. De laatste kost circa 60% van het hele proces. Datavoorbereiding is in wezen het opschonen en organiseren van de gegevens: van onbewerkte data naar data gaan die als datasets in algoritmen kunnen worden gebruikt. Een andere uitdaging is het genereren van nauwkeurige voorspellende modellen die ook kunnen worden uitgelegd. Sommige technieken door machine learning kunnen nauwkeurige resultaten opleveren, maar we weten (nog) niet waarom of hoe de algoritmen tot hun oplossingen komen. In de sterk gereguleerde, evidence-based medische sector is dit problematisch. Het meest recente onderzoek richt zich echter op verklaarbare AI.

De uitdagingen van AI toepassing in de Gezondheidszorg

Op dit moment wordt er nog weinig gedaan metvoorspellingen op basis van data. Volgens Roggeveen dienen er big data-projecten op maat te worden ontwikkeld: “je kunt een voorspelling doen met een 100% nauwkeurigheid, maar als het niet klinisch uitvoerbaar is en me niet helpt mijn patiëntenzorg te verbeteren,  is het nutteloos. “Ook als artsen een oplossing krijgen zonder een verklaring waarom dit de uitkomst is, is het volgens het algoritme moeilijk om de waarde van zo’n advies in te schatten. Hoewel elk algoritme een uitkomst zal opleveren, zijn er nog maar weinig voorbeelden die zowel verklaarbaar als uitvoerbaar zijn. Het creëren van bruikbare oplossingen in het gezondheidsdomein, zoals betoogd door Hoogendoorn, is gecompliceerd, omdat de vergaarde gegevens binnen het gezondheidsdomein meestal ongestructureerd zijn. Ten slotte is het toepassen van machinaal leren in de gezondheidszorg erg complex omdat de gegevens van de context moeten worden voorzien om correct te worden geïnterpreteerd om te resulteren in bruikbare en betrouwbare voorspellingen. Toch zijn dit geen onoverkomelijke problemen. De huidige innovaties zijn het bewijs dat machine-learning based oplossingen levensvatbaar zijn als ze zich blijven ontwikkelen en verbeteren.

Medical Data & Pizza

Na de presentaties was er gelegenheid voor vragen en om met elkaar in contact te komen onder het genot van de pizza. Er waren bijna geen pizza’s meer over! Als dit je aanspreekt, en je interesse hebt in nieuwe ontwikkelingen op het gebied van AI en gezondheidszorg, zorg dan dat je deelneemt aan een van de bijeenkomsten georganiseerd door het ‘Right Data, Right Now’-consortium. Je kunt ook lid worden van de “Everything medical data science” -groep om op de hoogte te blijven.

Onze droom is dat in 2025 inwoners van de Metropoolregio Amsterdam een ​​extra twee gezonde jaren hebben gekregen. We kunnen dit bereiken door ons te verbinden aan het voorkomen van ziekten. Onze regio is uitstekend in het verzamelen en analyseren van gegevens en op sommige specifieke medische gebieden. Door deze kennis slim te combineren, kunnen bewoners de controle over hun eigen gezondheid overnemen en langer gezond blijven. Samen met het consortium “Right Data, Right Now” verbinden we data scientists en artsen om innovatie in de gezondheidszorg te stimuleren. Het bredere doel van de Raad van Bestuur is om in te spelen op de kansen van AI in de gezondheidszorg in de Metropoolregio Amsterdam. Geïnteresseerd? Neem contact op met Jeroen Maas, Challenge lead Health bij de Amsterdam Economic Board.