Serendipiteit: waarom IT betere medici maakt van mensen

Het is een cliché, maar daarom niet minder waar: de technologische ontwikkelingen in de zorg gaan écht heel erg hard. Er is al veel meer mogelijk dan de meeste artsen of bestuurders in de zorg zich op dit moment realiseren. Dat gat tussen theorie (wat kunnen we eigenlijk al met AI en machine learning?) en praktijk (wat passen we al toe?) wordt alleen maar groter.

Hoe dat komt: technologie en mensen zitten wezenlijk anders in elkaar. Mensen ontwikkelen zich lineair, technologie exponentieel. Wij leren in stapjes, computers in sprongen die steeds groter worden. Daarom ontdekken we inmiddels dankzij machine learning patronen en toepassingen die mensen nooit voor mogelijk hadden gehouden.

“Serendipiteit: Soms vind je iets waar je eigenlijk niet naar zocht, maar wat toch heel waardevol blijkt te zijn.”

Iets vinden wat je niet zocht

Dat wordt ook wel serendipiteit genoemd: soms vind je iets waar je eigenlijk niet naar zocht, maar wat toch heel waardevol blijkt te zijn. Een voorbeeld. Retinascans worden ingezet om bij diabetespatiënten te bepalen hoe groot de kans is dat ze blind worden. Computers zijn nu eenmaal heel goed in het analyseren van de iris; ze kunnen eenvoudig grote hoeveelheden data analyseren en patronen ontdekken. Daarmee zien ze nu ook patronen die voor mensen vooralsnog onzichtbaar waren. Zo duurt het naar verwachting niet meer lang voordat je naar de huisarts gaat, een foto van je oog laat maken en een analyse krijgt van je gezondheid en mogelijke risico’s die je loopt. Door de grote hoeveelheid retinascans die we inmiddels tot onze beschikking hebben, ontdekten onderzoekers dat er veel meer medische indicatoren kunnen worden afgelezen uit het oog. Ze zochten naar blindheid bij diabetes en vonden nog veel meer relevante informatie die af te lezen is uit een retinascan; serendipiteit.

Onbevooroordeeld

Hoe kan het dat computers patronen zien die wij nog nooit ontdekt hebben? In eerste instantie omdat ze dus meer data kunnen verwerken en beter zijn in het ontdekken van patronen. Daarnaast – en dat is ook niet onbelangrijk – zijn ze relatief onbevooroordeeld als het gaat om het analyseren en interpreteren van data. Als mens verwacht je misschien niet dat je uit een oogscan de conditie van het hart- en vatenstelsel kunt aflezen, dus ga je ook niet meteen op zoek naar dat verband. Computers zijn niet vooringenomen en staan dus open voor allerlei soorten verbanden en correlaties.

Hoe dat werkt, kwam onder meer aan het licht toen computers voor het eerst mee gingen denken over de indeling van een supermarkt. Op basis van data concludeerden de systemen dat het verstandig was om de luiers naast het bier te zetten. Dat is geen combinatie die een menselijke inrichter in eerste instantie zou hebben bedacht, maar als je erover nadenkt kun je wel bedenken waarom dit zo was; vaders die naar de supermarkt gaan om een pak luiers te halen zijn misschien wat eerder aan huis gebonden en genieten daarom graag van een biertje als de baby ’s avonds eenmaal slaapt.

Computers vinden dus patronen in data die verder gaan dan wat eigenlijk al voor de hand lag. Hoe meer data we aan elkaar kunnen koppelen, des te beter dat we nieuwe verbanden kunnen vinden (en hoe verder de medische wetenschap dus vooruit gaat). Daarom zijn er verschillende initiatieven om data in de zorg te bundelen, zodat er grote databases komen waar onderzoekers gebruik van kunnen maken.

Computers: “Ze gaan ons werk niet overnemen, maar zijn een hele handig hulp bij taken waar mensen niet zo goed in zijn (of die ze simpelweg heel saai vinden)”

Saaie taken

Maar er zijn nog meer gevolgen van nieuwe technologie in de zorg. Hoe moet de medische wetenschap en praktijk daar nu mee omgaan? Stap één is omarmen dat computers van mensen betere medici maken. Ze gaan ons werk niet overnemen, maar zijn een hele handig hulp bij taken waar mensen niet zo goed in zijn (of die ze simpelweg heel saai vinden), zoals het doorspitten van honderden patiëntendossiers om een diagnose te stellen die past bij een combinatie van bepaalde symptomen. Als mens en machine zij aan zij gaan werken in het beter maken van mensen (en voorkomen dat ze ziek worden), dan is kennis en begrip van deze technologie het allerbelangrijkst. Een opleiding geneeskunde kan niet meer zonder de basisbeginselen van kunstmatige intelligentie en machine learning. We hoeven niet na te kunnen doen wat computers kunnen op het gebied van data-analyse, het is wel heel verstandig om te weten wat er onder de motorkap gebeurt en hoe bepaalde patronen zijn ontdekt.

Alleen al daarom is het toe te juichen dat NRC Live aandacht gaat besteden aan de toekomst van de zorgprofessional. Bijblijven en leren van ontwikkelingen bij andere zorginstellingen is nu al cruciaal – en in de toekomst al helemaal.


Rokesh Jankie is Customer Engineer bij Google Cloud. Hij werkt nauw samen klanten in de gezondheidszorg aan dataoplossingen om efficiënter te kunnen werken, maar ook om betere diagnoses te kunnen stellen en behandelingen te verbeteren. Op 8 oktober staat hij op het podium van de NRC Live serie Toekomst van de Zorgprofessional en deelt hij wat Google doet met data analytics en machine learning.