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.

Lees meer
AI & het LUMC

Projecten en achtergrond

Uitgelicht

Uitgelicht

Blog: There’s a new sheriff in town: Richtlijnen en kwaliteitsnormen voor AI-ontwikkeling

Door: Anne de Hond. Deze blog verscheen ook op NeLL.nl

Lange tijd werd de Artificial Intelligence (AI) sector beschreven als ‘het Wilde Westen’. Er waren weinig tot geen richtlijnen voor het ontwikkelen van een AI-model. Een gebrek aan richtlijnen kan het vertrouwen in de technologie beschadigen en de implementatie belemmeren. De medische AI-toepassingen bleven dan ook achter en dat is jammer, aangezien AI veel potentie heeft om de zorg te verbeteren. Zo kan AI ingezet worden om klinische beslissingen te ondersteunen of om de zorgmedewerker te ontlasten door te helpen bij de administratie. Met de ingang van nieuwe wet- en regelgeving en een veelvoud aan (in)formele richtlijnen is er een nieuw tijdperk aangebroken voor de medische AI-regulatie. Ook komt de AI-ontwikkeling voor de medische sector op gang. Maar hoe baan je je een pad door deze nieuwe wet- en regelgeving? En waar let je op bij het aankopen van een AI-product? Er is een stijgende vraag naar concrete handvatten voor de ontwikkeling en implementatie van AI voor de klinische praktijk. In ons recent verschenen artikel getiteld ‘Guidelines and quality criteria for artificial intelligence-based prediction models in healthcare: a scoping review’ geven wij een overzicht en samenvatting van reeds gepubliceerde richtlijnen.

Doel van de scoping review
De scoping review is bedoeld als naslagwerk voor iedereen die betrokken is bij het ontwikkelen, evalueren en implementeren van AI. Dit kan bijvoorbeeld een AI-ontwikkelaar zijn, maar ook een clinicus die een product wil inkopen en de kwaliteit wil toetsen. Voor de scoping review hebben wij de belangrijkste richtlijnen en kwaliteitsnormen uit de wetenschap, de industrie en het openbaar bestuur op een rij gezet. Deze richtlijnen zijn samengevat aan de hand van de AI-ontwikkel cyclus, wat het gebruik in de praktijk bevordert.

Richtlijnen voor de AI-ontwikkel cyclus
De AI-ontwikkel cyclus bestaat uit 6 fases: data preparatie, ontwikkeling, validatie, softwareontwikkeling, impact assessment, en implementatie in de dagelijkse medische praktijk. In de eerste drie fases besteden we aandacht aan de stappen die nodig zijn om tot een werkend AI-model te komen. Thema’s die onder andere naar voren komen in de literatuur is hoe representatief je data is en hoe een AI-model extern gevalideerd moet worden. De latere drie fases hebben betrekking op het naar de kliniek brengen van een AI-toepassing. Hier wordt bijvoorbeeld stilgestaan bij het onderzoeken en verfijnen van de mens-machine interactie en het monitoren van een AI-toepassing in de klinische praktijk. Ook worden er overkoepelende thema’s geïdentificeerd die in meerdere fases aan bod komen. Een voorbeeld van zo’n overkoepelend thema is ‘AI-bias’. We zeggen dat een AI ‘gebiased’ is als het een bepaalde subgroep onterecht benadeelt zonder dat hier een medische verantwoording voor is. AI-bias is een belangrijk onderwerp tijdens data preparatie (representatie van kwetsbare groepen in de data), model evaluatie (evaluatie van AI-voorspellingen in kwetsbare groepen), en het monitoren van de AI in de klinische praktijk.

Hiaten in huidige richtlijnen
Uit de scoping review blijkt dat een aantal onderwerpen onderbelicht zijn in de literatuur. Zo zijn er onder andere weinig tot geen handvatten voor het combineren van verschillende data modaliteiten voor AI-ontwikkeling (bijvoorbeeld een röntgenfoto, een lab uitslag, en een huisartsenbrief). Ook weten we nog te weinig over de gevolgen van en het omgaan met dataset shift (een verandering in de data over de tijd door bijvoorbeeld een verandering in een klinisch proces). In de komende jaren zullen steeds meer AI-toepassingen in de kliniek geïmplementeerd worden. Deze praktijkervaring kan ons helpen invulling te geven aan deze lacunes.

Leidraad kwaliteit AI in de zorg
De tijd van het Wilde Westen ligt achter ons. Desalniettemin is het, met de groeiende interesse in medische AI, erg belangrijk dat het overzicht uit de scoping review niet in de bureaulade van de cowboy verdwijnt. Zodoende is er vanaf het begin van dit project een nauwe samenwerking opgezet met de Leidraad kwaliteit AI in de zorg[1]. De bevindingen van de scoping review zijn verwerkt in deze leidraad zodat deze snel hun doorgang vinden naar de klinische praktijk. AI-ontwikkelaars, onderzoekers en enthousiastelingen worden aangeraden deze leidraad te raadplegen en de scoping review als naslagwerk te gebruiken. Zo kunnen wij uitkijken naar een innoverende tijd met veilige en verantwoorde AI-implementatie.

De scoping review is hier te vinden. 

[1] https://www.leidraad-ai.nl/

Lees meer
Uitgelicht

Blog en in het nieuws

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

Lees meer
AI cursussen

Video item LUMC

Hoe brengen we AI naar de kliniek

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:

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.

Lees meer
Over ons

Deel pagina