Vraagt u zich ook wel eens af wanneer Artificial Intelligence (AI) en black-box algoritmen hun intrede doen in uw spreekkamer? Wat zou u doen als een algoritme u een behandeling of advies voor een patiënt voorstelt, die tegen uw gevoel ingaat? Wellicht nog interessanter: wat zou u ervan vinden om zelf met verschillende black box-algoritmen op uw eigen data aan de slag te gaan met een zelfrijdende auto voor machine learning?
De belofte van een zelfrijdende auto voor machine learning enthousiasmeerde een aantal artsen en arts-onderzoekers om mee te doen aan mijn scriptieonderzoek voor mijn master in Business Informatics. Na vragen over hun wensen op de werkvloer voor dit soort technieken werd me een aantal dingen duidelijk over hun eisen.
Ten eerste zijn de artsen voor onderzoek en nieuwe ontdekkingen niet geïnteresseerd in het gebruik van meerdere typen algoritmes, in medisch onderzoek wordt vrijwel alleen gebruik gemaakt van transparante regressiemethoden. Een black box-methode zonder uitleg gaat niet gebruikt worden, want artsen en onderzoekers willen weten hoe de vork in de steel zit.
Er is meer dan regressie
Toch denk ik dat andere methoden dan regressie ook grote meerwaarde kunnen hebben voor het onderzoek van artsen. In gesprekken hierover met Fenna Heyning (directeur STZ) kwam naar voren dat artsen veel minder bekend zijn met andere methodes dan regressie. Van oudsher zijn hen de klassieke statistische methodes geleerd, maar inmiddels is er veel meer mogelijk. Door het gebruik van andere algoritmen dan regressie is het mogelijk om tot nieuwe inzichten en betere voorspellingen te komen met dezelfde data.
Adopteer nieuwe algoritmen in onderzoek
Het per definitie afwijzen van alles wat geen regressie is, kost meer dan het oplevert. Andere algoritmen kunnen nieuwe invalshoeken en betere resultaten opleveren: het in gebruik nemen van een nieuw medicijn kan minder complicaties en meer succesvolle trajecten met patiënten opleveren. Echter moet iemand ze wel ooit in gebruik durven te nemen.
Een ander voordeel van het gebruik van nieuwe algoritmen is dat trials ook sneller en flexibeler van opzet worden, met resultaten die meer directe relevantie hebben voor de patiënt en diens behandelaar.
Ondanks dat de stap onwennig zou kunnen zijn, pleiten wij ervoor om adoptie van nieuwe algoritmen in onderzoek in de zorg te stimuleren. Zolang dit zorgvuldig gebeurt, kan dit veel nieuwe en relevante inzichten opleveren voor patiënt en behandelaar. Belangrijk hierbij is het delen als een methode of techniek niet werkt, alleen op die manier kunnen we van elkaars fouten leren en stappen vooruit zetten.
Richard Ooms is master student Business Informatics aan de Universiteit Utrecht, met een Applied Data Science profiel. Zijn masterscriptie, onder supervisie van Dr. Marco Spruit, is het resultaat van een scriptiestage bij het Analytics & Cognitive team van Deloitte. In ICT&health 5, dat in oktober uitkomt, schrijft hij samen met Fenna Heyning een artikel over de struikelblokken bij Automated Machine Learning.
