-

Waarom de adoptie van AI in health achterblijft

Ondanks interessante pilot-projecten die er in de praktijk plaatsvinden heeft de toepassing van AI in de gezondheidszorg nog geen vlucht genomen. Dit terwijl Frost & Sullivan voorspelt dat in 2021 de markt voor AI-systemen in de sector al 6,6 miljard USD waard is.

Belangrijke redenen voor het feit dat de technologie nog niet grootschalig is doorgebroken zijn onder meer de ethische bezwaren en koudwatervrees bij artsen en patiënten. Want hoe leg je op een goede manier uit hoe een diagnose tot stand komt terwijl het beslissingsproces met AI een black box is? En hoe weet je zeker dat je op basis van de data en het algoritme het juiste behandelplan krijgt? 

Levensbelang

Het zijn ingewikkelde vragen waar niet direct een goed antwoord op is. Voordat we de belangrijkste vraagstukken helder hebben en er op basis van AI beslissingen worden genomen die van levensbelang zijn voor patiënten, zijn we wellicht zelfs een generatie verder. Dit betekent echter niet dat de technologie niet nu al het verschil zou kunnen maken. 

Zo kan AI helpen om de zorg persoonlijker te maken door met speciale toepassingen patiënten te monitoren en te coachen. Er zijn al verschillende healthcare apps die artsen en patiënten ondersteunen bij het monitoren van bepaalde aandoeningen. Een volgende stap is om op basis van de resultaten patiënten voorzien van een persoonlijk advies.

Optimale bezetting van bedden en operatiekamers

Een andere toepassing van AI die je in de zorgpraktijk al vaker terugziet is bij het verbeteren van de logistieke keten. AI wordt nu al gebruikt voor het optimaliseren van de bezetting van ziekenhuisbedden. Dit is niet alleen nuttig voor het verplegend personeel, maar het draagt ook bij aan de omzet van het ziekenhuis. Met behulp van algoritmes wordt voorspeld wanneer patiënten worden ontslagen zodat men ruimer van tevoren weet wanneer het bed vrijkomt. Hetzelfde zie je voor de beschikbaarheid van operatiekamers. 

Verder helpt AI al verschillende verzekeringsmaatschappijen met het bestrijden van fraude. Dit is een belangrijke kostenpost voor zowel verzekeraars als de patiënt die door de hogere kosten een hogere premie betaald. Door AI toe te passen op declaraties worden frauduleuze claims sneller opgespoord.

De situaties waarin AI al volop in gebruik is hebben enkele zaken met elkaar gemeen: ze brengen geen grote (of onacceptabele) risico’s met zich mee en ze zijn laagdrempelig. Dit zorgt ervoor dat er vertrouwen kan ontstaan in de technologie voordat er een volgende stap wordt gezet naar meer ingewikkelde toepassingen die heel dichtbij de patiënt komen.

Algoritme moet aansluiten bij werkwijze van arts

Deze stap verder brengt overigens naast de genoemde bezwaren ook nog andere obstakels met zich mee die het toepassen van AI tot een uitdaging maken. Ten eerste is veel zorgdata nog niet gedigitaliseerd. En om AI-modellen goed toe te kunnen passen is veel data nodig. Daarnaast kan een algoritme vaak niet helemaal op zichzelf staan maar moet deze aansluiten bij de werkwijze van de arts. Om een goed algoritme te ontwikkelen dat van klinische meerwaarde is, is er dus veel kennis nodig van deze werkwijze. Idealiter is een arts dan ook nauw betrokken bij het ontwikkelen van het algoritme.  

Een mooi voorbeeld waarbij deze obstakels worden overwonnen is de innovatieve samenwerking tussen Pacmed en Amsterdam UMC. Hierbij is het idee om machine learning in te zetten om de zorg op de intensive care te verbeteren. Het voordeel van het werken op deze afdeling voor Pacmed is dat er, in tegenstelling tot veel andere gebieden in de zorg, veel digitale data voorhanden is. Op de IC worden continu vitale functies van patiënten gemonitord en geregistreerd. Dit zijn 30.000 datapunten per dag. Pacmed ontwikkelde een model dat artsen ondersteunt bij het bepalen van het juiste moment om een patiënt van de IC naar een reguliere verpleegafdeling te verplaatsen. Om dit model te mogen gebruiken moet het gecertificeerd worden voor klinisch gebruik. Deze certificering verwacht men eind dit jaar te krijgen zodat het na de implementatie dagelijks kan worden toegepast.

Laagdrempelig starten

Net als in andere sectoren hebben professionals in de gezondheidszorg voor het maken van de juiste beslissingen jaren grotendeels vertrouwd op kennis en ervaring. Het benutten van data en AI-technologie zoals nu al succesvol wordt gedaan bij de genoemde voorbeelden, en in de toekomst bij Amsterdam UMC, kan daarbij een inspiratie zijn voor nieuwe AI-projecten binnen de zorg. Laagdrempelig starten en samen met mensen uit de sector aan de slag gaan lijkt daarbij een gouden formule. Want één ding is duidelijk: AI is geen buzzword, maar kan daadwerkelijk bijdragen aan efficiëntere en betere zorg waar zowel artsen, patiënten als de hele maatschappij van profiteren.

Over de auteur: Wouter Kroon is als Senior Account Executive werkzaam bij computersoftwarebedrijf Dataiku. Voorheen werkte hij onder ander bij SAS, Human Inference en SAP.

 

Deel dit bericht

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond