Projectomschrijving: Brughoektumoren AI project

Door: Stephan Romeijn

Kan je wat meer vertellen over het project?

Het brughoektumoren project is gestart als een van de initiatieven binnen het LUMC brede innovatie programma LUMC 2.0. In dit project willen we op eigen data een deep learning model ontwikkelen, dat het tumor volume meet en uiteindelijk een predictie kan geven van de groei van de brughoektumor. Een wens van radiologen en KNO-artsen is om het volume (3D) van de tumor te meten in plaats van de grootste diameter (2D), maar handmatige volume metingen zijn tijdsintensief om te verrichten. Een deep learning model, mits goed getraind, zou dit wel mogelijk maken, en dus een goede toevoeging zijn aan de diagnostiek en behandelkeuze. Binnen een multidisciplinair team van KNO-artsen, radiologen, technisch geneeskundige/klinisch technologen, computer scientists en onderzoekers wordt er samengewerkt aan de ontwikkeling en implementatie van het AI model in de kliniek. Binnenkort zal er een fellowship starten van een Klinisch Technoloog die zich zal focussen op de translatie van de behaalde resultaten naar de klinische praktijk.

Hoe werkt dit dan?

Voor de ontwikkeling van het AI model is gebruik gemaakt van MRI-scans van 37 verschillende ziekenhuizen. Dit is een belangrijk aspect aangezien we het model robuust willen maken, zodat het toegepast kan worden in elk ziekenhuis en met verschillende MRI scanners. Om het AI model te leren welke taak hij uit moet voeren, zijn wij gestart met het manueel annoteren van de tumoren op de MRI-scans. Dit wordt gebruikt als trainingsdata, zodat het model leert wat de karakteristieken van de specifieke tumor zijn. Voor dit project is een “convolutional neural network” gebruikt voor het daadwerkelijke model. Het AI model kan op dit moment met grote precisie de tumor detecteren en segmenteren op een MRI-scan. Een uniek onderdeel in ons model is dat zowel de “intra-meatale” als “extra-meatale” component van de tumor gesegmenteerd kan worden. Dit is van groot belang voor het stellen van een behandelindicatie door de radioloog en KNO-arts.

Waarom is dit belangrijk?

Het vaststellen van tumorprogressie is essentieel voor het kiezen tussen de behandelopties opereren, bestralen en afwachten. De huidige 2D-metingen zijn veel foutgevoeliger dan de arbeidsintensieve volumemeting die we het AI model aanleren. De verwachting is dan ook dat het gebruik van het AI-model zowel een kwaliteitsverbetering te weeg brengt als een efficiëntie slag voor de beoordeling van de beelden. Door zelf het algoritme op te bouwen, leren we daarnaast met het team om te gaan met data-extractie uit PACS, het koppelen van klinisch gegevens en privacywetgeving.

Projectteam: Erik Hensen, Jeroen Jansen, Nick de Boer, Olaf Neve, Berit Verbist, Mark Kruit, Willem Grootjans, Stephan Romeijn, Marius Staring, Yunjie Chen.

Projectomschrijving: Patiëntervaringen en AI

Door: Marieke van Buchem & Olaf Neve

Kan je wat meer vertellen over het project?

In dit project werken we aan een betere manier om patiëntervaringen te verzamelen en te gebruiken om de zorg te verbeteren. We zien dat we met open vragen meer en betere input krijgen dan met de manier waarop de patiëntervaringen nu uitgevraagd worden, namelijk met vragenlijsten met vooral gesloten vragen. Open antwoorden kunnen meer context en nuance bieden. Aan de andere kant kosten vragenlijsten met open vragen ontzettend veel tijd om te analyseren. Onze oplossing bestaat uit een nieuwe vragenlijst, de AI-PREM, met open vragen die geschikt zijn voor automatische analyse. Met behulp van kunstmatige intelligentie (AI) kunnen we in een mum van tijd grote hoeveelheden vragenlijsten analyseren en de belangrijkste onderwerpen eruit halen. Dit doen we in een multi-disciplinair team.

Hoe werkt dit dan? 

Onze vragenlijst bevat vijf open vragen over vijf verschillende aspecten van de zorg. De antwoorden van patiënten worden aan het AI-model gegeven. Deze bepaalt eerst van alle antwoorden het sentiment: deelt een patiënt hier een positieve of een negatieve ervaring? Dit heet sentiment analyse. Na deze splitsing kijkt het AI-model welke woorden en groepen van woorden vaak terugkomen in de antwoorden van patiënten. Aan de hand hiervan bepaalt het AI-model welke onderwerpen belangrijk zijn. Deze techniek heet topic modeling. Dit doet het model per vraag en per sentiment. Zo krijg je dus heel concreet terug wat patiënten als positief hebben ervaren per aspect van de zorg, en wat als negatief. Hier komen natuurlijk geen kant-en-klare verbeterpunten uit, dat gaat een AI-model niet over kunnen nemen. Wat het AI-model wel kan, is zorgmedewerkers betere handvatten geven, waarna alleen nog een interpretatieslag nodig is om verbeterpunten te definiëren.

Waarom is dit belangrijk?

Voor het continu verbeteren van de zorg zijn ervaring van patiënten heel waardevol. Het meten van deze ervaringen helpt om gericht en situatie specifiek de zorgverlening te kunnen verbeteren. Gesloten vragen zijn vaak te algemeen (“de wachttijd is te lang”) om een verbetering door te voeren. Met de AI-PREM kunnen we grote hoeveelheden open tekst antwoorden snel analyseren. Dat levert hele concrete en specifieke actiepunten (“de uitleg van behandeling X in de folder is onduidelijk” of “Dokter Y was heel empathisch”). Hierdoor kunnen gerichtere aanpassingen worden doorgevoerd. Bovendien gebruiken we de positieve commentaren om sterke punten van een zorgpad te vinden en behouden. Daarnaast helpt de verhouding tussen positieve en negatieve antwoorden samen met het totaal aantal ervaringen per onderwerp met het prioriteren van verbeterprojecten.

AMIA Congres

Door: Marieke van Buchem

Begin deze maand vond een van de grootste congressen op het gebied van medische AI plaats, namelijk het AMIA (American Medical Informatics Association) Symposium. Alhoewel dit vijfdaagse congres voornamelijk bezoekers vanuit Amerika trekt (dit jaar al helemaal omdat Amerika nog niet open was voor Europeanen), zijn alle grote Amerikaanse universiteiten (Stanford, Harvard, MIT), ziekenhuizen (Mayo Clinics) en bedrijven (IBM) hier aanwezig. Daarmee geeft dit congres een goed inkijkje in wat er speelt in het medische AI veld en waar het heengaat. Ik deel met jullie graag de drie onderwerpen die de meeste aandacht kregen.

Natural Language Processing
Ten eerste waren er ontzettend veel presentaties over het gebruik van natural language processing (NLP). Dit is een AI-techniek waarmee je tekstdata kan verwerken. Veel van de modellen die gepresenteerd werden richten zich op het gebruiken van tekstdata uit het elektronisch patiënten dossier (EPD). Het hele EPD staat vol met tekstdata, in de vorm van klinische verslagen, rapportages, notities, etc. Tot voor kort waren er nog geen geschikte technieken om met al deze tekstdata om te gaan, maar in 2018 werd er een nieuw taalmodel gepresenteerd door Google. Dit taalmodel, genaamd BERT, is getraind op een enorme hoeveelheid data (3,4 miljard woorden) en heeft daardoor een goed ‘begrip’ van taal. BERT geldt als de huidige state-of-the-art als het gaat om taalmodellen en er wordt op dit moment ontzettend veel mee geëxperimenteerd. Dat was zeker ook te zien op het AMIA Symposium, waar BERT in elke sessie minstens één keer genoemd werd. Een goed voorbeeld van wat BERT allemaal kan was een project van IBM, waarin ze veranderingen in medicatie uit het EPD probeerden te halen. Ze trainden BERT om woorden of zinnen waarin een verandering in medicatie werd beschreven te herkennen in de notities in het EPD. Met deze informatie konden ze per patiënt een medicatietijdlijn maken, waardoor artsen een beter inzicht kregen in de therapietrouw van de patiënt.

Multimodal data
Een ander veelgenoemd onderwerp was het trainen van AI-modellen op data van verschillende modaliteiten, zoals CT-scans en radiologieverslagen. Het grote voordeel van multimodale data is dat het AI-model een veel completer beeld heeft van de patiënt of situatie, waardoor de voorspellingen ook vaak beter worden. Eigenlijk is het combineren van verschillende data types ook heel logisch: artsen diagnosticeren een patiënt meestal ook niet alleen aan de hand van een scan of lab, maar nemen alle verzamelde data mee om tot een diagnose te komen. Het lastige van multimodale data voor AI is dat de data niet zomaar allemaal in een AI-model gestopt kan worden. Verschillende soorten data moeten op verschillende manieren worden verwerkt tot numerieke data voordat het AI-model er wat mee kan. Een mooi praktijkvoorbeeld hiervan was een project wat klinische data met mammografiën combineerde om zo beter te kunnen voorspellen of een vrouw borstkanker had. Eerst werden er twee losse AI-modellen getraind, die óf alleen de klinische data zagen, óf alleen de mammografiën. Daarna werd een gecombineerd AI-model getraind, die beide soorten data had. Het multimodale model bleek het beste te werken.

Bias
Het zal voor de meeste mensen geen verassing zijn dat ook bias een groot onderwerp was bij het AMIA Symposium. Er werd vooral veel aandacht besteed aan het herkennen en corrigeren van bias. De meestgenoemde manier om bias te herkennen was door naar de voorspellingen van het AI-model te kijken in verschillende subgroepen. In een presentatie van Stanford werden een aantal maten gepresenteerd die je hiervoor kan gebruiken, zoals de Area Under the ROC curve (AUROC), de precision-recall curve, de false-negative parity en calibratie. Al deze maten kijken naar hoe goed de voorspellingen van het AI-model overeen komen met de waarheid. Door deze maten te vergelijken in verschillende subgroepen, kun je dus zien of er bepaalde subgroepen zijn waar het model veel meer fouten maakt, of het juist extra goed doet. In het voorbeeld van Stanford verschilde deze maten inderdaad per geslacht, leeftijd en etniciteit. Recalibratie van het AI-model is soms een oplossing hiervoor, maar een andere presentatie liet zien dat de onder- of overschatting van het AI-model voor bepaalde groepen daarmee niet altijd is opgelost. Deze presentatie concludeerde dat het vooral belangrijk is om vroeg in het ontwikkelproces al naar bias te kijken. Dan kun je technieken zoals oversampling gebruiken of de data die je gebruikt aanpassen.

Ook in mijn team, het Waardegedreven Zorg & AI-team van het LUMC, zijn we druk bezig om al deze technieken in te zetten om medische AI op een verantwoorde manier te ontwikkelen en implementeren. Mocht je meer willen weten over een van deze technieken of eens verder willen praten met iemand uit mijn team, neem dan contact op met ai@lumc.nl! 

Begeleidingsethiek zorgt voor constructief gesprek over gebruik van AI voor brughoek tumoren

Door: Stephan Romeijn & André Krom

Gebruik van kunstmatige intelligentie (AI) in de zorg brengt naast nieuwe mogelijkheden, ook nieuwe uitdagingen met zich mee. Technisch, maar ook ethisch. Hoe houd je nu de focus op wat er wél kan en breng je AI in de kliniek ondanks de uitdagingen toch een stap dichterbij? “Begeleidingsethiek” helpt om ethische vragen al bij het ontwikkelen van nieuwe technologie te bespreken, en om te zetten in handelingsopties. In deze blog blikken we kort terug op een recente workshop begeleidingsethiek over het gebruik van AI bij brughoek tumoren. Wat is besproken, en wat leverde het op?

Binnen het LUMC werd onlangs voor de tweede keer een workshop begeleidingsethiek gehouden over AI. Centraal stond het brughoek project vanuit de LUMC 2.0 use case "Waardegedreven Diagnostiek". Dit project is een samenwerking tussen de KNO- en Radiologie afdeling. Doel van het project is om een AI-algoritme te ontwikkelen dat naast de detectie en volumebepaling van de tumor ook een voorspelling kan geven van de tumorgroei over tijd. De resultaten van dit model kunnen als input dienen voor een patiënt-specifiek behandelplan. Als de inschatting is dat een tumor snel groeit, zou bijvoorbeeld eerder overgegaan kunnen worden tot een operatie (en omgekeerd).

In de workshop ging een brede groep betrokkenen in op de ethische aspecten van deze toepassing: het team van betrokken KNO-artsen, radiologen, technisch- en medische onderzoekers, en klinisch technologen; een afgevaardigde van Patiëntenfederatie Nederland; een patiënt, en twee ethici. De sessie werd begeleid door ECP (Platform voor de Informatiesamenleving).

Begeleidingsethiek: via effecten en waarden naar concrete handelingsopties
Een workshop begeleidingsethiek bestaat uit vijf stappen: 1) Maak concreet om welke techniek het gaat, in welke context, en voor welk doel. 2) Inventariseer welke actoren bij de casus betrokken zijn; 3) Inventariseer welke effecten gebruik van de techniek kan hebben, positief én negatief; 4) Breng in kaart welke waarden een rol spelen, die maken dat we sommige effecten als positief zien en andere als negatief; 5) Bedenk welke partij wat kan doen om positieve effecten te bevorderen, en negatieve effecten zoveel mogelijk te beperken.[i]

In dit geval  ging het dus om een AI-algoritme om de aanwezigheid en het volume van een brughoektumor te bepalen en de groeisnelheid ervan te voorspellen. Dit als input voor een patiënt-specifiek behandelplan (Stap 1). Naast de partijen die deelnamen aan de workshop werden nog enkele andere relevante actoren benoemd, waaronder revalidatieartsen, zorgverzekeraars en het Ministerie van Volksgezondheid en Sport. Idealiter wordt ook het perspectief van deze partijen op enig moment betrokken in het proces (Stap 2). Dat geeft een rijker beeld van mogelijke effecten en biedt een zo stevig mogelijke basis om na te denken over handelingsopties om positieve effecten te realiseren en negatieve effecten te beperken. In de workshop werden 32 mogelijke effecten benoemd, waarvan de helft positief en de helft negatief. Het betrekken van patiënten bij het multidisciplinaire team kan volgens de deelnemers positief uitwerken, omdat informatie vanuit patiëntperspectief essentieel is voor een hoge kwaliteit van zorg en van leven. Als mogelijk risico werd gezien dat de AI-resultaten een te groot gewicht krijgen in de shared decision making met de patiënt. Dat zou ten koste kunnen gaan van de autonomie van de patiënt en het vertrouwen in de arts-patiënt relatie (Stap 3 en 4). Concrete handelingsopties zouden volgens de deelnemers het positieve effect kunnen bevorderen en het negatieve effect beperken. Bijvoorbeeld door zowel een behandelbesluit met als zonder inzet van het AI-model te nemen en te vergelijken welk besluit bijdraagt aan een zo hoog mogelijke kwaliteit van zorg en leven. En door shared decision-making (expliciet) te borgen, zodat ook andere elementen dan de uitkomst van het AI-model een rol blijven spelen bij de behandeling. Zoals hoe patiënten in het leven staan, en wat zij zelf belangrijk vinden.

Deze korte illustratie laat zien dat de aanpak begeleidingsethiek een handzaam format biedt om met betrokken partijen heel gericht na te denken over welke ethische vragen spelen bij het gebruik van AI in de zorg, en hoe deze vragen omgezet kunnen worden in praktische handelingsopties.

Terugkijkend op de sessie werd er unaniem aangegeven dat de inbreng vanuit het patiënten perspectief erg waardevol was en deze betrokkenheid in de toekomst vaker gewenst is. Het is van belang om de aannames omtrent hoe de visualisatie en presentatie van de resultaten van AI algoritmes ervaren worden door de patiënt ook getoetst wordt bij degene waar het uiteindelijk allemaal om draait, de patiënt. Om deze feedback mee te kunnen nemen gedurende de ontwikkeling is het gewenst om op meerdere momenten tijdens het project deze betrokkenheid te hebben.

[i] Tijdens de workshop worden deze stappen onderverdeeld in drie fasen: toelichting, dialoog, handelingsopties.