Een voorbeeld hiervan is Maastro, de bestralingskliniek waar ik als onderzoeker werk. Om patiënten goed te kunnen behandelen, wordt vanaf het moment dat ze binnen komen informatie verzameld. Bij de inschrijving of verwijzing naar Maastro registreren we belangrijke patiëntgegevens als leeftijd, geslacht en ziektekenmerken. Als de patiënt en arts besluiten te gaan bestralen, maken we medische beelden (CT en/of MRI-scans) om vast te stellen waar de tumor zich bevindt en welke kenmerken deze heeft. Op basis van al deze gegevens stellen we een behandelplan op en wordt een patiënt zorgvuldig en nauwkeurig bestraald.
Veel informatie
We kunnen deze informatie ook gebruiken om bijvoorbeeld iets te kunnen zeggen over bijwerkingen of slagingskansen van een behandeling. Toch is het voor artsen moeilijk deze data volledig te benutten. Er is veel meer informatie beschikbaar dan we zelf kunnen benutten, omdat de grens van het cognitief vermogen van het menselijk brein al snel bereikt is. Door alleen al geslacht, leeftijd en een aantal ziektekarakteristieken mee te nemen in een besluit, is die grens al bereikt. We zijn niet meer in staat om de informatie zelf optimaal te verwerken.
Onderzoek heeft aangetoond dat dit in de klinische praktijk ook gebeurt. Artsen waren niet in staat de overlevingskansen van patiënten juist te voorspellen op basis van de beschikbare data. Ze zien als het ware door de bomen het bos niet meer.
Groeiende kloof
De kloof tussen beschikbare data en het menselijk cognitief vermogen wordt alleen maar groter. De hoeveelheid medische data groeit namelijk astronomisch snel. Alleen al in de VS verwachten onderzoekers dat in 2020 een totaal van 2.314 exabytes aan medische data is verzameld ten opzichte van 153 exabytes in 2013. Dit is een toename van bijna 1300 procent over een periode van zeven jaar, met een jaarlijks gemiddelde toename van meer dan 300 exabytes. Om je voor te kunnen stellen hoe veel dit is: alle data die sinds het ontstaan van het internet is rondgestuurd is ongeveer 150 exabytes. Een dergelijke procentuele toename kunnen we ook in Europa verwachten.
Snelle groei exabytes in de gezondheidszorg (Beeld: Rianne Fijten)
Om ervoor te zorgen dat we de best mogelijke behandeling kunnen bieden aan een patiënt, moeten we gebruik maken van kunstmatige intelligentie. Kunstmatige intelligentie, in het bijzonder het subdomein machine learning, maakt gebruik van zelflerende algoritmen die alle beschikbare data kunnen analyseren en hieruit zinvolle informatie kunnen destilleren. Een bekend voorbeeld hiervan is de weersvoorspelling. In de gezondheidszorg kunnen we machine learning gebruiken om gezondheidsgerelateerde kansen te berekenen, zoals de overlevingskans van een patiënt of de kans op bijwerkingen van medicijnen.
Keuzehulpen
Wanneer de overlevingskans slecht is, kan een arts adviseren om een behandeling te kiezen die weinig of milde bijwerkingen heeft of juist om niet te behandelen. Wij hebben onderzoek gedaan naar dit concept in het onderzoeksproject My Best Treatment. Daarin hebben we een voorspellingsmodel ontwikkeld voor de overlevingskansen van patiënten met longkanker. We hebben dit model via een website beschikbaar gemaakt aan de artsen van Maastro en zijn dat nu aan het evalueren in een klinische studie.
Niet alleen artsen, maar ook patiënten kunnen deze algoritmen gebruiken. In het kader van Samen Beslissen kunnen patiënten gebruik maken van een keuzehulp die de gepersonaliseerde kans op bijwerkingen berekent. Op basis van die informatie krijgen ze een beter beeld van wat een behandeling voor hen als individu betekent. Ze kunnen dan een weloverwogen besluit nemen voor een behandeling op basis van die persoonlijke informatie en hun persoonlijke situatie. Al blijft overleg met de behandelend arts daarin altijd nodig.
Een dergelijke keuzehulp maken we binnenkort beschikbaar vanuit het onderzoeksproject PROSPECT. Daarin verrijken we die keuzehulp met modellen die de bijwerkingen van behandelingen voor prostaatkanker kunnen voorspellen. Patiënten kunnen niet alleen informatie vergaren over de behandelopties, maar ook de gepersonaliseerde kans op bijwerkingen van deze opties raadplegen en daarmee een geïnformeerd besluit nemen.
Onzekerheidsmarge
Ondanks die veelbelovende ontwikkelingen is het belangrijk voorzichtig te zijn met voorspellingen die de gezondheid van een individu kunnen beïnvloeden. Net als mensen kan kunstmatige intelligentie fouten maken. Een verzameling gegevens kan foutieve of onvolledige data bevatten, waardoor de uitkomsten niet volledig waar zijn. Er zal daarom altijd een onzekerheidsmarge in zitten.
Praktisch gezien kan het voorkomen dat een patiënt met een lage kans op een bijwerking toch zo’n bijwerking krijgt en visa versa. In enkele gevallen kan dit ernstige gevolgen hebben, vooral wanneer het gaat om overlevingskansen. Patiënten moeten daarom altijd de behandelend arts blijven raadplegen wanneer ze gebruik maken van kunstmatige intelligentie. En artsen kunnen datawetenschappers inschakelen om te bepalen hoe betrouwbaar een voorspelling is.
Verdere ontwikkeling
Datawetenschappers kunnen bijdragen door artsen en patiënten vroegtijdig te betrekken in onderzoeksprojecten naar kunstmatige intelligentie. Artsen kunnen ons inzichten te verschaffen over casussen die echt klinische meerwaarde hebben en patiënten kunnen ons adviseren over de manier waarop zij de uitkomsten van deze voorspellingen te horen of te zien krijgen. Zo’n driehoeksverhouding is noodzakelijk voor het ontwikkelen en gebruiken van voorspellingen in de gezondheidszorg.
Ondanks die kleine kans dat een voorspelling niet uitkomt, kan kunstmatige intelligentie veel ellende besparen. Zo kunnen artsen behandelingen voor hun patiënten wijzigen zodat die zo effectief mogelijk zijn, maar tegelijkertijd zo min mogelijk bijwerkingen veroorzaken. Of patiënt en arts kiezen samen voor een ander type behandeling, omdat die beter past bij de persoonlijke situatie van een patiënt.
Kunstmatige intelligentie is niet de heilige graal, maar biedt wel veel voordelen. Net als een weersvoorspelling die net iets meer informatie biedt waardoor je een paraplu meeneemt of niet.
Rianne Fijten onderzoekt als datawetenschapper hoe we het klinisch gebruik van onderzoek, vooral kunstmatige intelligentie en samen beslissen, kunnen stimuleren en wat de gevolgen hiervan zijn voor patiënten en zorgverleners. In haar vrije tijd is ze graag buiten met haar kinderen en speelt videogames. Haar blog verscheen eerder op de website Wetenschap.nu.
