Artificial intelligence in de zorg
Artificial intelligence in de zorg
Artificial intelligence (AI) is een veelbelovende technologie, en een veelgehoorde term in de gezondheidszorg. Er wordt veel gesproken over de potentie ervan, toch zien we nauwelijks concrete toepassingen van AI in de Nederlandse (en internationale) zorg. Het LUMC wil daar verandering in brengen.
Wij zijn CAIRELab - Clinical AI Implementation and Research Lab. Wij richten ons op de implementatie en waardebepaling van AI in de medische praktijk. De interdisciplinaire samenwerking tussen onder andere zorgverlener, data scientist en onderzoekers zorgt voor de toepassing van waardevolle AI. Dat doen we vaak zelf, en als het kan ook met partners.
AI & het LUMC
AI & het LUMC
In het LUMC geloven we dat kunstmatige intelligentie (AI) een waardevolle bijdrage kan leveren aan waardegedreven zorg. Enerzijds door een betere zorgervaring voor patiënten en medewerkers, anderzijds door betere klinische uitkomsten. Daarom zetten we stappen in het toepassen van verschillende vormen van AI, van voorspellingsmodellen voor ziektebeelden tot beeld- en spraakherkenning voor het automatiseren van repetitieve taken, tot het inzichtelijk maken van complexe stuurinformatie.
Op deze website delen wij kennis en ervaringen op het gebied van AI, technologie en andere vormen van digitale innovatie. Door het delen van die kennis en ervaringen, bereiken we sneller ons doel: een nóg betere zorg in Nederland.
We zien onszelf als een innovator en een doener. We passen technologie toe in het zorgproces, en we leren door te doen. Dat gebeurt uiteraard op verantwoorde wijze, waarbij de medisch professional altijd betrokken is en de leiding heeft.
Blogs en achtergrond
-
Blog: 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!
-
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.
-
Blog: AI het wondermiddel?
Door: Anne de Hond
Machine learning en het overkoepelende veld van de kunstmatige intelligentie (‘Artificial Intelligence’, afgekort AI) zijn aan een opmars bezig binnen de zorgsector. ‘AI is here to stay’ klinkt het in de media. Nu is AI ongetwijfeld een veelbelovende techniek met de potentie om de gezondheidszorg te verbeteren. Zo kan zij ingezet worden om beslissingen van artsen te ondersteunen, de werkdruk van clinici te verlagen en gepersonaliseerde zorg te leveren. Het is echter nog de vraag voor welke problematiek en in welke setting deze techniek echt uitkomsten biedt. Hiervoor is zorgvuldig wetenschappelijk onderzoek nodig, waarin gekeken wordt hoe de voorspellende prestaties van een AI-model zich verhouden tot die van bestaande klinische standaarden. Dit kunnen bijvoorbeeld gevalideerde statistische modellen of klinische beslisregels zijn.
Zodoende onderzochten wij de potentie van AI voor de spoedeisende hulp (SEH) van het LUMC. De SEH’s in Nederland staan onder druk[1]. De complexiteit van de zorgvraag neemt toe met zogenoemd ‘ED overcrowding’ als gevolg. ‘Overcrowding’ vermoeilijkt de doorstroming waardoor de wachttijden kunnen oplopen tot wel 8 uur per patiënt[2]. Dit kan leiden tot een lagere patiënttevredenheid, hogere werkdruk, en slechtere patiëntuitkomsten, waaronder een verhoging van ziekenhuismortaliteit. Slimme algoritmes zouden een uitkomst kunnen bieden door de arts te ondersteunen in het beslisproces rondom de opname en behandeling van een patiënt.
Voor ons artikel ‘Machine learning for developing a prediction model of hospital admission of emergency department patients: Hype or hope?’ ontwikkelde een team van SEH-artsen en AI-experts verschillende algoritmes om de kans op ziekenhuisopname te voorspellen[3]. Wij gebruikten hiervoor de “Netherlands Emergency department Evaluation Database (NEED)”[4]: een nationale kwaliteitsregistratie van SEH-afdelingen in Nederland. Door de opnamekans in een vroeg stadium te voorspellen kan het opnameproces eerder in gang worden gezet wat weer zou kunnen helpen met de doorstroming op de SEH. Bovendien kunnen patiënten zich beter voorbereiden op hun ziekenhuisopname wanneer dit besluit in een vroeg stadium gecommuniceerd wordt. Tot slot signaleert een ziekenhuisopname een hogere mate van ziekte ernst en kan een dergelijke voorspelling dus gebruikt worden in de diagnose.
De SEH-doorstroming verbeteren door middel van een algoritme klinkt natuurlijk mooi, maar in hoeverre is AI noodzakelijk om dit te bereiken? Om de toegevoegde waarde van AI in onze SEH-casus te onderzoeken vergeleken wij de voorspellingen van geavanceerde AI-algoritmes met die van een klassiek statistisch model (een logistische regressie voor de kenners). Als AI de Armin van Buuren van de klinische voorspelmodellen is, zijn de klassiek statistische modellen Mozart. De ontwikkeling van een klassiek statistisch predictie model heeft een uitgebreide wetenschappelijke achterban. Bovendien zijn ze vaak bekend bij de arts en inzichtelijker dan AI-modellen. Het is dan ook raadzaam deze mee te nemen in een vergelijking met AI.
Uit onze resultaten blijkt dat de opnamekans op de SEH goed te voorspellen is met zowel AI als klassiek statistische modellen. De AI-modellen doen het nét wat beter dan de klassieke statistiek, maar dit verschil is klein. Hiermee wordt de belofte van AI als panacee voor al uw voorspelproblemen toch enigszins ontkracht. De meest voor de hand liggende verklaring voor dit kleine verschil is het gebrek aan complexiteit in de NEED-dataset die uit gestructureerde (ook wel tabel) data bestaat. De kracht van AI-modellen zit hem in het om kunnen gaan met enorm complexe relaties en patronen in de data, veelal aanwezig in afbeeldingen en ongestructureerde data zoals arts notities. Bij gebrek aan deze complexiteit lijkt er dus weinig verschil te zitten in het voorspelvermogen van AI en dat van klassiek statistische modellen.
Een opvallend tweede resultaat is dat de lab uitslagen geen toegevoegde waarde lijken te hebben voor het voorspellen van een ziekenhuisopname. Het wachten op een lab uitslag kan lang duren. Dit resultaat suggereert dat je hier niet op hoeft te wachten om de opname procedure in gang te zetten en zo de doorstroming te verbeteren. Lab uitslagen zijn natuurlijk wel nodig voor andere zaken, zoals het vaststellen van een diagnose.
De resultaten zijn overwegend positief. We kunnen opnamekans goed voorspellen (al dan niet doormiddel van AI). Bovendien is het aannemelijk dat de AI-modellen met meer en andersoortige data nog beter leren voorspellen. We zullen dan mogelijk ook een groter verschil gaan zien met de klassieke statistiek. Een accurate voorspelling vertaalt zich echter niet altijd naar daadwerkelijk klinisch nut. Daarom zetten wij op dit moment een implementatiestudie op om de toegevoegde waarde van het voorspelmodel voor de klinische praktijk te onderzoeken. In conclusie blijkt AI dus geen panacee te zijn voor opnamevoorspellingen op de SEH, maar we kunnen weldegelijk voorspelmodellen inzetten om de zorg te verbeteren.
[1] https://puc.overheid.nl/nza/doc/PUC_527785_22/1/
[2] https://opex.mumc.nl/cases/spoedeisende-hulp
In het nieuws
In het nieuws
Blog: 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.
Eerder in het nieuws
-
AI voor Radiotherapie
Dagelijks aangepaste radiotherapie kan, in vergelijking met de huidige klinische praktijk, helpen om de stralingsdosis nauwkeuriger op de tumoren af te stemmen en daarbij stralingsgevoelige organen in de omgeving te ontzien. Een belangrijk obstakel is echter dat elke dag nieuwe behandelplannen moeten worden gemaakt, wat een handmatig en tijdrovend proces is. Een team van het LUMC en LIACS (Leiden Institute of Advanced Computer Science) heeft onlangs AI-technologie ontwikkeld die dit met veelbelovende nauwkeurigheid volledig automatisch kan doen en in realtime.
Lees het gehele bericht op Universiteitleiden.nl.
-
Grote subsidie om kunstmatige intelligentie uitlegbaar te maken aan artsen
Grote subsidie om kunstmatige intelligentie uitlegbaar te maken aan artsen
Op basis van data kan kunstmatige intelligentie voorspellen welke behandeling het beste is voor een individuele patiënt. Maar omdat de techniek achter deze voorspellingen soms moeilijk te begrijpen is voor artsen, wordt deze veelbelovende toepassing nog niet zo vaak gebruikt in het ziekenhuis. Onderzoekers van het Leids Universitair Medisch Centrum (LUMC), Amsterdam UMC en het Centrum Wiskunde & Informatica krijgen ruim 800.000 euro van het Gieskes-Strijbis Fonds om kunstmatige intelligentie beter uitlegbaar te maken.
Lees het gehele bericht op LUMC.nl.
-
NIEUWS – Infecties voorspellen na operaties
Het LUMC en Healthplus.ai onderzoeken of ze met behulp van kunstmatige intelligentie (AI) het risico op infecties na operaties kunnen voorspellen. Dit project wordt PERISCOPE genoemd. Door eerder infecties te signaleren kan de behandeling sneller worden gestart. Zo wordt de last voor de patiënt verkleind. Een succesvolle implementatie betekent minder ziektelast, betere overlevingskans en kortere opnames voor de patiënt. En daarmee lagere kosten en werkdruk voor het ziekenhuis.
Lees het gehele bericht op LUMC.nl.
AI cursussen
AI cursussen
Wil jij ook leren hoe je moet programmeren? Hoe werkt deep learning? En Python? Hieronder een aantal fijne links.
Analyze data with Python.
Level: Beginner
https://www.codecademy.com/learn/paths/analyze-data-with-python
Programming for everyone – Getting started with Python
Level: Beginner
https://www.coursera.org/learn/python
Introduction into Pandas – Applied data science with Python Specialization
Level: Intermediate, a basic python or programming background is necessary.
https://www.coursera.org/specializations/data-science-python
Deep learning
Level: Intermediate, experience with Python is recommended. Also knowledge about linear algebra and differential equations is useful.
https://www.deeplearning.ai/deep-learning-specialization/
Machine Learning with Python: from Linear Models to Deep Learning
Level: Advanced
https://www.edx.org/course/machine-learning-with-python-from-linear-models-to
Video item LUMC
Hoe brengen we AI naar de kliniek
Om tot een bruikbare en waardevolle toepassing van AI in de zorg te komen, is het van belang om zowel de zorgprofessional als de AI-specialist gezamenlijk te betrekken bij de ontwikkeling ervan. In het LUMC zijn er meerdere voorbeelden van AI-toepassingen en –proefprojecten, zoals:
- Snellere MRI-scans
- Spraakherkenning in de spreekkamer
- Beeldherkenning en automatische rapportage op radiologische beelden
- Herkennen van (hart)afwijkingen op echografieën
- Administratie en planning
- Hackathon: vroegtijdige melanoomherkenning
- Infectieherkenning en risicovoorspelling
- Voorspellen van de kans op heropnames op de IC
Over ons
Over ons
CAIRELab richt zich op de stappen voor, tijdens en na de ontwikkeling en implementatie van AI-modellen, maar ook op de noodzakelijke randvoorwaarden. We zijn georganiseerd met een stuurgroep en een kernteam. Vanuit het kernteam zijn werkgroepen ontstaan met ieder een eigen focus.
De werkgroepen richten zich op eigen themagebieden. Door per thema een werkgroep op te richten, kunnen we sneller en gerichter kennis delen. CAIRELab bevat op dit moment de volgende werkgroepen, met daarbij de volgende voorzitters vanuit het kernteam:
- Onderwijs - Esmee Stoop (Data Scientist)
- Eindgebruikers participatie - Martijn Bauer (Internist)
- Ethiek & Recht - Kim Bavinck (Juriste) en Martine de Vries (Hoogleraar Medische Ethiek)
- Wetenschappelijke Validatie - Ilse Kant (Postdoc Klinische AI)
- Implementatie - Stephan Romeijn (Klinisch Technoloog)
- Opschaling - Hine van Os (Arts-Onderzoeker Neurologie)
- Data & Modelling - Marco Spruit (Professor Advanced Data Science in Population Health)
Daarnaast zijn vanuit het kernteam nog de volgende mensen betrokken:
- Marjolein Elderhorst (Voorzitter)
- Charlotte van Leeuwen (Programmacoördinator)
- Marius Staring (Associate Professor LKEB)
- Tanja Alderliesten (Associate Professor Radiotherapie)
Heeft u vragen, suggesties of opmerkingen? Stuur dan een mail naar ai@lumc.nl.
