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

Blogs en achtergrond

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.

Lees meer
In het nieuws

Eerder 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