Blog: AI college

Door: Anne de Hond

Waar denk je aan bij Artificial Intelligence? Robots. Slimme algoritmes. Robots. Beslissingen. En oh ja, robots, luidt het in de chatroom van het Zoom college. De twaalf artsen in spé blijken een aardig idee te hebben van AI (het robot surplus ongetwijfeld te danken aan film iconen als The Terminator). Aan mij de taak om de derdejaars geneeskunde studenten bij te brengen hoe AI in de zorg kan worden toegepast. Ik beschouw dit als een grote verantwoordelijkheid. Hun voorland is echt niet onverdeeld enthousiast over wéér een nieuwe digitale innovatie. Zo leidde het elektronisch patiëntendossier – een eerdere digitale zorgrevolutie – naast een verbetering in zorgkwaliteit óók tot een verhoogde administratielast[1] en veroorzaken de vele alarmsignalen op de IC ‘alarmmoeheid’ bij de zorgverlener[2]. Innovaties kunnen het werk van een zorgverlener complexer maken, wat kan resulteren in minder tijd voor de patiënt. En dat terwijl artsen arts worden om mensen te helpen, aldus mijn studentenpanel.

Maar laat dit nu nét het soort problematiek zijn waar AI bij uitstek geschikt voor is. Dat brengt mij bij mijn eerste leerdoel: begrijp wat de potentie is van AI voor de zorg. Zo zou de administratielast verminderd kunnen worden door een slim algoritme dat consulten opneemt en samenvat. Alarmmoeheid kan worden opgelost met een algoritme dat op basis van een risicobepaling alleen díe patiënten eruit pikt die daadwerkelijk een interventie nodig hebben. Daarnaast kan AI ook aan de patiëntkant worden ingezet. Denk aan een applicatie om in een vroeg stadium een kwaadaardige moedervlek te detecteren, of aan het vertederende robotje Paro dat mensen met dementie gezelschap houdt. In deze voorbeelden belooft AI dus niet belastend, maar juist ondersteunend en werkdruk verlagend te zijn.

Let wel, in bovenstaande ligt een grote nadruk op de potentie en belofte van AI voor de zorg. De AI-hype waarin we momenteel verkeren wekt enerzijds enthousiasme en ondernemerschap op, maar anderzijds ook veel angst, kritiek en bovenal misinformatie. De waarheid is dat we simpelweg nog niet weten wat nu écht de waarde is van AI voor de zorgsector. Dat brengt mij bij mijn tweede leerdoel: wees je bewust van de hype en valkuilen op het gebied van AI-ontwikkelingen. Zo zijn AI-voorspellingen in de regel gebaseerd op correlaties en kan men er geen causale vraagstukken mee oplossen; generaliseren algoritmes soms niet goed naar een nieuwe setting; komt een discriminerende bias in de uitkomsten van een algoritme veelvuldig voor; en weten we door de black-box van het algoritme niet of we de besluitvorming van het algoritme kunnen vertrouwen. Dit zijn zorgelijke punten waar iedereen die een AI-toepassing wil aanschaffen van op de hoogte dient te zijn.  

In hun toekomstige werkzaamheden gaan de studenten in mijn Zoom scherm ongetwijfeld AI-oplossingen tegenkomen. Het is belangrijk dat zorgverleners meebeslissen over de ontwikkeling en aanschaf van technieken die invloed kunnen hebben op hun besluitvorming en de patiëntenzorg in het algemeen. Door zowel de potentie als de kritiek te bespreken, hoop ik dat zij door de hype heen leren kijken en individuele AI-toepassingen op waarde leren schatten. Te vaak zijn de verwachtingen onrealistisch of stuiten wij als ontwikkelaar op wantrouwen bij de eindgebruiker. Met educatie moet er een nuance in dit bipolaire verwachtingspatroon worden aangebracht. Alleen met wederzijds begrip en vertrouwen kunnen we daadwerkelijk AI in de praktijk brengen. Dan kunnen artsen straks, met een beetje hulp van AI, gewoon weer mensen helpen.

[1] Buysse, A., Nijbroek, M., Vermunt, M., & Zelm, R. (2019). Registratielast in kaart aan de hand van patiëntenreizen in de medische specialistische zorg. In opdracht van Ministerie van VWS. https://www.ordz.nl/actueel/nieuws/2020/02/06/publicatie-onderzoek-registratielast-in-kaart-aan-de-hand-van-de-patientreis-in-de-medisch-specialistische-zorg

[2] Sendelbach, S., & Funk, M. (2013). Alarm fatigue: a patient safety concern. AACN advanced critical care, 24 4, 378-86; quiz 387-8 .

Blog: Waarom is een gestandaardiseerd dataplatform zo belangrijk voor AI?

Door: Esther Remmelink

Artificial Intelligence (AI) en het voorspellend vermogen van zowel machine learning als deep learning modellen staat of valt bij de beschikbaarheid van data. Het gaat niet alleen om de hoeveelheid data, maar ook om de kwaliteit. Welke data is er beschikbaar? Kan data uit verschillende bronnen makkelijk gecombineerd worden? Is de data compleet?

Om AI in de zorg te ontwikkelen is medische data nodig. Deze data moet vaak uit verschillende bronsystemen komen. Binnen een ziekenhuis kunnen bijvoorbeeld meerdere EPDs gebruikt worden, maar daarnaast kan data ook bij patiënten zelf liggen, in PGOs. Vervolgens gebruiken andere ziekenhuizen net weer andere systemen, waar wel vergelijkbare data opgeslagen wordt, maar de benaming net anders kan zijn. Hierdoor wordt het lastig om eenvoudig grote data sets bij elkaar te krijgen, over de huizen heen, die juist zo noodzakelijk zijn voor bruikbare AI.

Met als doel om data makkelijker uit te wisselen met applicaties, zoals PGOs, of tussen ziekenhuizen, heeft het LUMC in samenwerking met Furore een dataplatform ontwikkeld. Op dit platform wordt data uit meerdere bronnen, denk aan EPDs, lab resultaten, IC data maar ook HR informatie, samengevoegd in tabellen die gemodelleerd zijn naar zorginformatiebouwstenen (=informatiestandaard, zie https://www.nictiz.nl/standaardisatie/zib-centrum/) en HL7 FHIR (=communicatiestandaard, zie http://hl7.org/fhir/). Dit betekent dat de data terug te vinden is in tabellen en kolommen zoals gedocumenteerd in de standaard. Op dit moment wordt hetzelfde dataplatform, gebaseerd op gedeelde code, ook geïmplementeerd in het EMC en het UMCU. Hierdoor kan klinische data uit drie huizen straks eenvoudig samengevoegd worden en gebruikt worden voor AI modellen.

Voor de uitwisselingen van data tussen het dataplatform en bijvoorbeeld de Box app, waar patiënten thuismetingen in kunnen registeren, is het noodzakelijk om altijd zo up-to-date mogelijke data in het platform te hebben, zodat gehandeld kan worden naar deze informatie. Daardoor is het doel om de data op het platform near real-time te verversen.

Waarom is dit dataplatform ook juist zo belangrijk voor AI in de zorg?

• Meer data. Doordat data uit meerdere bronnen gecombineerd wordt, en de standaard in meerdere huizen geïmplementeerd wordt, is er meer data beschikbaar om te gebruiken in AI modellen.
• Eén bron. Alle benodigde data om een model te bouwen is nu in één bron terug te vinden. Dit scheelt tijd en moeite om data uit verschillende bronnen te koppelen.
• Voorspelbare data. Omdat de data volgens een standaard gestructureerd is, is het eenvoudig uit de documentatie te herleiden waar welke data gevonden kan worden. Dit kan het proces van verkennen en opschonen van de data versnellen en maakt het makkelijker om te bepalen welke variabelen interessant zijn voor een AI model.
• Verse data. We willen modellen ontwikkelen die artsen ondersteunen in hun beslissingen. Deze beslissing moeten in het nu plaatsvinden. Alleen real-time data kan real-time voorspellingen generen. Zonder het dataplatform wordt dit een stuk lastiger.
• Schaalbaar. Het dataplatform is gebouwd om grote hoeveelheden data te kunnen verwerken. Het is dus gebouwd op big-data analytics. Op het moment draait het dataplatform on-prem (op servers in ‘eigen huis’). In de toekomst zou een verhuizing naar ‘de cloud’ nog meer snelheid kunnen bieden, maar dit brengt wel security vraagstukken met zich mee.

NIEUWS - Afdeling Radiologie van het LUMC implementeert AI om beeldkwaliteit verder te verbeteren

In samenwerking met Philips heeft de afdeling Radiologie de afgelopen maanden gewerkt aan een AI-project met als doel om beeldkwaliteit van röntgenfoto’s van de borstkas (thorax) te verbeteren. De AI geeft feedback aan laboranten over de beeldkwaliteit, meteen nadat een röntgenfoto genomen is.

De AI beoordeelt de foto’s op basis van drie kwaliteitsaspecten: Staan de longen en de ribben volledig op de foto? Staat de patiënt niet gedraaid? Heeft de patiënt volledig ingeademd op het moment van de opname? Als een foto mogelijk te wensen overlaat, dan wijst de AI de problematische aspecten aan.

Afgelopen week is de validatiestudie van start gegaan. Deze studie heeft als doel om de meerwaarde van AI in de praktijk te toetsen. In deze validatiestudie wordt de feedback van de kunstmatige intelligentie op een tablet direct na opname aan de laborant gepresenteerd in de bedieningsruimte. De afdeling Radiologie hoopt aan te tonen dat het gebruik van AI leidt tot een stijging van de gemiddelde kwaliteit van thoraxfoto’s. De resultaten worden ook vergeleken met de gemiddelde kwaliteit van de thoraxfoto’s die voorafgaand aan de studie genomen werden (“baseline”).

De kwaliteit van thoraxfoto’s is over het algemeen zeer goed in het LUMC, maar het kan natuurlijk altijd beter. Daarnaast willen we onderzoeken of laboranten het leuk vinden om op deze manier feedback te krijgen op hun werk.

Samenwerking Philips/LUMC
Philips en LUMC hebben drie jaar geleden een raamovereenkomst getekend voor gemeenschappelijk onderzoek. AI speelt een belangrijke rol binnen de onderzoeksagenda, in radiologie en daarbuiten. Het is duidelijk dat AI een grote rol gaat spelen in radiologie en dat de rol van de radioloog in het zorgproces gaat veranderen.

Er is veel aandacht voor het inzetten van AI om automatisch ziektes te herkennen. Maar AI kan op veel andere manieren ingezet worden, zoals bijvoorbeeld het herkennen van ondermaatse kwaliteit in radiologische studies, zoals röntgenfoto’s, CT-scans en MRI-scans. In het ergste geval is de kwaliteit van een studie zo slecht dat de radioloog een belangrijke bevinding mist of dat de patiënt terug moet komen om nogmaals gescand te worden.

AI in het LUMC
Binnen CAIRELab bundelen en delen we de kennis en ervaringen op het gebied van AI in het LUMC. Door dit te doen, kunnen we in korte tijd veel sneller leren, en komen we sneller tot de implementatie en waardebepaling van AI in de medische praktijk.  

NIEUWS - Twee KWF beurzen voor AI op precisie-oncologie in het LUMC

Vorige week heeft KWF Kankerbestrijding acht beurzen uitgereikt aan onderzoekers van het LUMC.  Twee van deze onderzoeken ontwikkelen geavanceerde AI-technologie voor het verbeteren en personaliseren van oncologische behandelingen. De onderzoeken zijn onderdeel van een groter kankeronderzoek binnen het LUMC. 

Gevoeligheid voor chemotherapie
Een project onder leiding van dr. Tjalling Bosse, afdeling Pathologie, richt zich op het aantonen van gevoeligheid voor verschillende types chemotherapie. De kunstmatige intelligentie kijkt naar een grote hoeveelheid monsters van het tumorweefsel, en bepaalt de zwakke plek van de tumor. Op basis daarvan kan de arts bepalen welke chemotherapie aanslaat. Deze technologie wordt ontwikkeld voor individuele patiënten met eierstokkanker, baarmoederkanker en borstkanker. Ook kan het helpen bij het identificeren van patienten die resistent zijn geworden tegen specifieke soorten chemotherapie.

Het andere project, onder leiding van dr. Mark Burgmans, afdeling Radiologie, ontwikkelt AI technologieen om de ablatieprocedures van levertumoren te verbeteren. Ablatie is een techniek waarbij de tumor(en) wordt verhit en daarmee vernietigd. De AI wordt nog ontwikkeld en moet de resultaten van de ablatie nauwkeurig evalueren. Door tumorgebieden en ablatiezones nauwkeurig te lokaliseren kunnen de ablatiemarges beter bepaald worden, en wordt de kans op herhaling van tumoren zo veel mogelijk vermeden.

In beide projecten leidt dr. Jouke Dijkstra van het Lab Klinische en Experimentele Beeldverwerking (LKEB, afdeling Radiologie) het onderzoek naar de AI-technologieontwikkeling die nodig is om de medische en pathologische beelden te verwerken. LKEB heeft ruime ervaring met het ontwikkelen van nieuwe AI-technologieen voor medische beeldvorming op basis van deep learning. Deze twee gehonoreerde projecten zijn een belangrijke stap om het gebruik van AI voor precisie-oncologie verder te versterken en zijn ingebed in het Leiden University AI onderzoeksprogramma SAILS.