‘Met machine learning zoeken naar de beste oplossing’
In de gezondheidszorg wordt steeds meer gebruik gemaakt van machine learning, afgekort ML. Het is een breed onderzoeksveld dat onderdeel uitmaakt van het bredere veld van artificial intelligence (AI) en zich bezighoudt met de ontwikkeling van algoritmes en technieken waarmee computers kunnen leren. Het bedrijf ML6 is gespecialiseerd in ML en Steyn Heskes, country lead vertelt over toepassingen ervan binnen de gezondheidszorg.
Samenvatting HIP-symposium
Download hier een pdf van een boekje ‘Samenwerken aan datagedreven gezondheidszorg’ met een samenvatting van het HIP-symposium en bekijk de aftermovie hier.
Vergeleken bij de andere partners waarmee ML6 het Healthcare Innovation Platform (HIP) vormt, is ML6 maar een kleintje. ’’Pfizer en Google hebben beiden zo’n negentigduizend werknemers wereldwijd, wij maar 70.” Toch werken Google en ML6 al jaren samen. ’’ML6 heeft specifieke kennis en expertise van cutting-edge machine learning en infrastructuur, ondersteund door het Google Cloud Platform. Samen begeleiden wij organisaties naar datagedreven innovatie”.
‘AI is het nabootsen van taken en handelingen die normaliter menselijke intelligentie behoeven’
Hij vraagt de deelnemers van het HIP-symposium over datagedreven gezondheidszorg of zij weten wat AI is. Om dan zelf een definitie te geven. ’’De theorie over en het ontwikkelen van computersystemen die in staat zijn taken en handelingen te verrichten waar normaliter menselijke intelligentie voor nodig is. Denk hierbij aan visuele perceptie, herkennen van spraak, besluitvorming en patroonherkenning.”
Time series
Er worden reeds verschillende data en ML-technieken binnen de gezondheidszorg gebruikt. De eerste die hij noemt is die van ‘Time series’ en ‘IoT (Internet of things)’. Time series zijn datareeksen die gemeten worden over een tijdsperiode, bijvoorbeeld door sensoren op machines, voertuigen of mobieltjes. ’’Met behulp van deze techniek kun je bijvoorbeeld ziekenhuismateriaal beheren en lokaliseren. Of data verzamelen van patiënten als ze thuis zijn. Denk bijvoorbeeld aan een apparaatje zoals de FitBit. Wat is iemands hartslag, zuurstofgehalte en hoeveel stappen heeft de persoon gezet? Door het analyseren van patronen in deze data kunnen afwijkingen worden ontdekt die mogelijk schadelijk zijn voor de persoon waarop actie wordt ondernomen.’’
Een andere ML-techniek die al veel wordt gebruikt is computer vision. ’’Dat helpt je om scans en ziektebeelden te analyseren. Je zou er bijvoorbeeld ouderen mee kunnen monitoren in hun thuissituatie. Stel je voor dat iemand uit bed is gevallen en niet meer kan opstaan... Dan kan direct alarm worden geslagen ’’, vertelt Steyn Heskes.
Een derde ML-techniek die wordt gebruikt in de zorg is die van ‘hyperpersonalisatie’, ook wel bekend van aanbevelingssystemen. ’’Denk hierbij aan de aanbevelingen van Netflix voor welke series en films jij leuk vindt. Maar in de gezondheidszorg kan deze techniek worden gebruikt om ziektebeelden te matchen aan bijvoorbeeld een diagnose en een behandelplan.’’
En dan is er nog de techniek van ‘natural language processing’. ’’Denk aan chatbots en tools waarmee je ongestructureerde data, zoals tekstdocumenten en spraak kunt analyseren. In de medische sector wordt hartstikke veel gedocumenteerd, daar liggen dus volop kansen.’’
Eigen uitdagingen
Elke industrie heeft volgens de country lead van ML6 zijn eigen uitdagingen op het gebied van ML. Maar die zijn in de gezondheidszorg misschien wel het grootst. ’’In vergelijking met andere industrieën, is er nog een inhaalslag te maken op gebied van kennis, schaalbare infrastructuur en ontsluiting van data. Daarnaast is gegevensbescherming vanzelfsprekend een topprioriteit, wat snelheid van innovatie niet bevordert’’ stelt Heskes.
ICT en ML moeten dan ook anders georganiseerd worden dan op dit moment het geval is, vervolgt hij zijn verhaal. ’’Dat moeten we nog leren. Als je kijkt naar infrastructuur dan is binnen de zorg veel decentraal georganiseerd. Het is bijvoorbeeld lastig om data uit EPD’s (elektronische patiëntendossiers) te halen.’’
Bescherming en uitlegbaarheid
Er lopen vaak lokale, kleine succesvolle projecten maar nog niet op grote schaal, stelt hij. In de zorg zijn er ook grote uitdagingen op het gebied van bescherming van data in verband met General Data Protection Regulation.
’’En dan hebben we nog ‘explainability’ ofwel de uitlegbaarheid van ML en AI. Het meest wenselijk is om te begrijpen wat er precies gebeurt zodat je uitleg kunt geven waarom en wanneer er iets goed gaat of fout gaat.”
’Zolang we maar samenwerken met zijn allen’
Er wordt misschien nog niet op grote schaal gebruik gemaakt van ML en AI in ziekenhuizen, maar er zijn volop kansen en mogelijkheden, stelt Heskes. Niet alleen omdat het kan, maar ook omdat het noodzakelijk is. We kunnen volgens hem niet om datagedreven gezondheidszorg heen. Zeker niet nu de vraag om zorg toeneemt en ook het personeelstekort binnen de zorg stijgt. Het is noodzakelijk om de zorg efficiënter te organiseren.
Steyn Heskes denkt dat digitaliseren van data en het meer doen met data hierbij een uitkomst kan bieden. ’’Zolang we maar samenwerken met zijn allen. Daarom zijn we vandaag ook bij elkaar. Om te kijken hoe we dat kunnen gaan doen.’’
-
Wat kost de ontwikkeling van een geneesmiddel?
Er zijn hierover allerlei verschillende getallen in omloop. De een zegt dat het $43 miljoen kost om een geneesmiddel te ontwikkelen, de ander $648 miljoen en de volgende $2.7 miljard. Het getal waar je op uitkomt is ook afhankelijk van hoe je meet en welke kosten je wel of niet meeneemt. De kosten om een geneesmiddel te ontwikkelen zijn ook niet statisch.
-
‘Werk kan je door je behandeling helpen’
“We komen vroeger of later allemaal een keer in aanraking met kanker, op welke manier dan ook. En als je zelf te horen krijgt dat je kanker hebt, kan blijven werken onderdeel zijn van je welbevinden of welzijn. Daar ben ik van overtuigd.” Lieseke Cortoos, HR-manager van Pfizer Nederland, vertelt op welke manier er bij Pfizer wordt omgegaan met het thema Werk en Ziek zijn.
