De over- en onderschatting van machine learning in de zorg

Er is bijna geen congres of business plan te vinden waar machine learning (of een vagere aanverwante term als artificial intelligence of big data) geen onderdeel van is. Ook in de zorg is het een hot topic. Maar het blijft vaak bij verhalen met even grote beloften als angsten. Concrete voorbeelden waarbij machine learning daadwerkelijk patiënten heeft geholpen zijn er echter weinig. In deze blog nuanceer ik de mogelijkheden van machine learning in de zorg en deel ik waar de technologie nu al van waarde kan zijn voor arts en patiënt.

Met machine learning kun je computers zelf een taak laten leren (bijvoorbeeld op een CT-scan bepalen of een patiënt kanker heeft). Dit gebeurt niet door een expert een computerprogramma te laten schrijven dat vertelt in welke gevallen een CT-scan positief is, maar door een computer met heel veel data te voeden (CT-scans met zowel positieve als negatieve uitslagen), en zelf de inschatting te leren maken of een volgende CT-scan wel of niet positief is. Met machine learning wordt de computer daarbij steeds beter in het uitvoeren van deze taak, naarmate deze computer meer data krijgt.

DE OVERSCHATTING

1. Het is geen magie
Ten eerste is machine learning geen magie. De technologie ontwikkelt predictiemodellen vanuit patronen en verbanden in data van eerder behandelde patiënten. Deze modellen kunnen voor een patiënt met bepaalde klachten voorspellen welke aandoening hij of zij heeft, wat het verwachte beloop is van een aandoening of het verwachte effect van verschillende behandelopties. Machine learning is een methode om tot nieuwe kennis te komen. Dit betekent dat net als bij iedere andere methode om tot nieuwe kennis te komen, aannames en extrapolaties gedaan worden.

“Bij machine learning zijn de risico’s van verkeerde aannames door de onbekendheid, complexiteit en schaalbaarheid groter dan bij andere onderzoeksmethodes”

Geneesmiddelenonderzoek op basis van een randomized control trial gaat er vanuit dat de (gemiddelde) resultaten bij een geselecteerde patiëntenpopulatie toepasbaar zijn op de gehele populatie in de dagelijkse praktijk. Bij dieronderzoek nemen we aan dat het effect van een medicijn op bijvoorbeeld een rat ook iets zegt over de werking van dat middel bij mensen. Deze en alle andere manieren van kennis vergaren over het menselijk lichaam zijn en blijven van enorme waarde. Alle zijn echter gestoeld op extrapolaties en aannames en alle hebben dus hun beperkingen.

Van al deze methoden is het essentieel dat deze beperkingen in kaart worden gebracht en maximaal ondervangen worden. Dit geldt mogelijk nog meer voor machine learning, waar de risico’s van verkeerde aannames en extrapolaties door de onbekendheid, complexiteit en schaalbaarheid mogelijk nog groter zijn.

2. De arts blijft nodig
Er zal nooit een algoritme komen dat alle artsen overbodig gaat maken. Machine learning kan helpen in kaart te krijgen wat het effect van verschillende behandelopties zal zijn. Maar er is een arts voor nodig om te bepalen welke behandeling daadwerkelijk tot een verhoging van de kwaliteit van leven van deze patiënt leidt. En kwaliteit van leven (en zorg) hangt af van vele factoren, waarvan er vele nauwelijks in data te vangen zijn, en waar een machine learning model dan ook weinig tot niets over te zeggen heeft.

Maar ook de kennis van een arts blijft essentieel. Voor het ontwikkelen van een predictiemodel met machine learning is ontzettend veel domeinkennis nodig. Artsen spelen bijvoorbeeld een cruciale rol om uit beschikbare data af te leiden of een behandeling het gewenste effect heeft gehad.

3. Beschikbare data is zeer beperkt
Een predictiemodel op basis van machine learning is zo goed als de data die ervoor gebruikt is. Er zijn enorme aantallen nodig om een predictiemodel te ontwikkelen dat kan ondersteunen bij bijvoorbeeld behandelkeuze.

Nu is de kwaliteit van data vaak nog beperkt. Ook is het moeilijk om uit beschikbare data af te leiden of een behandeling daadwerkelijk tot betere kwaliteit van leven heeft geleid. Soms bestaat deze data helemaal niet. Maar ook is het vaak het geval dat er alleen een goed beeld van een patiënt en het resultaat van zijn behandeling te krijgen is door verschillende systemen en databronnen aan elkaar te koppelen. Het is schrikbarend hoe vaak systemen in de zorg niet met elkaar praten, er verschillende dataformats worden gehanteerd of datasets niet gekoppeld geworden.

“Het is schrikbarend hoe vaak systemen en databronnen in de zorg niet met elkaar praten”

Machine learning is in de zorg dus nog niet zo ver om de hoge verwachtingen op korte termijn waar te maken. Wat in de zorg echter ook vaak overschat wordt is de hoeveelheid kennis die er op dit moment is. De vele wetenschappelijke papers en wijze artsen doen ons vaak niet beseffen hoe veel we nog niet weten, zeker als het gaat om het inschatten van risico’s of effectiviteit van behandelingen voor de individuele patiënt.

DE ONDERSCHATTING

1. De meest veelbelovende en minst benutte bron van kennis
Machine learning is dus geen magie. Maar het is wel een van de meest veelbelovende en nog minst benutte manieren om tot kennis te komen. Ten eerste is het snel en goedkoop. Duizenden verbanden kunnen worden onderzocht met een druk op de knop, waar klassieke onderzoeken vaak jaren en miljoenen kosten.

“Met machine learning is het mogelijk verbanden in data te vinden die de menselijke creativiteit overstijgen”

Ten tweede is het mogelijk verbanden in data te vinden die de menselijke creativiteit overstijgen. Zo kunnen complexe systemen als het menselijk lichaam in kaart gebracht worden, waar klassieke methoden vaak te grof en simplistisch zijn.

Daarnaast is machine learning schaalbaar. Een predictiemodel kan gemakkelijk op vele plekken in de wereld ingezet worden. Ook in de ontwikkeling van predictiemodellen zit een hoop schaalbaarheid. Veel van de techniek is herbruikbaar, ongeacht het probleem dat je ermee probeert op te lossen. Er is een grote community van onderzoekers en programmeurs die online ervaringen en programmeercode delen waar in een enorm tempo op doorgebouwd wordt.

Maar mogelijk het belangrijkste onderscheid tussen machine learning en andere methoden om tot nieuwe kennis te komen, is het feit dat op machine learning gebaseerde predictiemodellen continu verbeteren bij iedere keer dat ze gebruikt worden. Bij klassieke vormen van kennis (zoals een richtlijn) is het moeilijk om in kaart te brengen of het een juist advies heeft gegeven. Mocht er duidelijkheid zijn over verbetermogelijkheden, dan kost het enorm veel tijd en moeite om deze kennis op alle nodige plekken te verbeteren.

2. Het is een aanvulling op de arts
Machine learning gaat de arts dus nooit vervangen, maar kan belangrijk (en essentieel) gereedschap worden dat artsen helpt om op maat gemaakte zorg te leveren. Het vormt geen aanvulling op het redeneervermogen van de arts, maar een aanvulling op de beperkte informatie waar zij op dit moment toegang toe hebben. Er worden grote stappen gezet in het beter uitlegbaar maken van machine learning modellen, waardoor zelfs complexe (deep learning) modellen kunnen worden geïnterpreteerd door een arts. Want alleen dan kan een synergie gecreëerd worden tussen de onvervangbare kunde van de arts en de toenemende mogelijkheden van computers.

3. Data ligt voor het grijpen
Data is op dit moment voor machine learning dus mogelijk de grootste beperkende factor. Maar dat betekent niet dat er al heel veel kansen zijn om nu al met machine learning van waarde te zijn voor patiënten. Neem gebieden als de Intensive Care (waar alles automatisch in data wordt vastgelegd), de oncologie (waar al jarenlang uitgebreide uitkomstenregistraties worden gedaan) of voor ziektebeelden waar continu metingen worden gedaan die veel zeggen over het beloop van een aandoening (zoals hoge bloeddruk of diabetes).

Het wordt tijd om die kansen te pakken. Want alleen zo kunnen we de lange weg bewandelen die machine learning te gaan heeft. Een weg die alleen samen met zorgverleners en patiënten te bewandelen is. Alleen samen kunnen we op weg naar een continu lerend zorgsysteem waarbij patiënten op maat gemaakte zorg krijgen, die daadwerkelijk hun kwaliteit van leven gaat verbeteren.


In aanloop naar het event over Zorgtechnologie delen wij regelmatig opiniestukken van onze sprekers. Wouter Kroese heeft Geneeskunde en Logica gestudeerd alvorens hij met Willem Herter en Hidde Hovenkamp deelnam aan de Nationale DenkTank 2014 over big data. Vanuit deze denktank zijn zijn zij Pacmed  gestart. Pacmed ontwikkelt beslissingsondersteunende software op basis van machine learning op grote hoeveelheden data uit de praktijk in onder andere de huisartsenzorg, de oncologie, de spoedzorg en op de Intensive Care.

Bekijk programma

Blijf op de hoogte!

Blijf op de hoogte!

Wil je op de hoogte blijven van toekomstige NRC Live events? Schrijf je dan in voor onze nieuwsbrief!

Suggesties voor een spreker?

Suggesties voor een spreker?

Ken jij iemand die goed zou kunnen spreken op een van onze events? Stel dan een spreker aan ons voor!