Om onderstaande en alle andere premium artikelen te lezen, moet u inloggen of een account aanmaken.
U kunt nog {free_articles_left} premium artikel gratis lezen. Om meer premium artikelen te lezen, moet u inloggen of een account aanmaken.
In de huidige technologie-gedreven wereld is het bijhouden van gezondheidsgegevens via wearables nog nooit zo eenvoudig geweest. Omslachtige koppelingen zoals die van Nokia-telefoons aan Garmin HR-meters zijn verleden tijd. Vandaag kunnen datastromen frictieloos gecapteerd worden dankzij naadloze integraties van bijvoorbeeld Apple Watches met Polar HR-meters en de Freestyle Libre die real-time glucose monitort. Geweldig toch?
Met deze overvloed aan gemakkelijk toegankelijke data ontstond echter een nieuw probleem: hoe kunnen we deze informatie effectief beheren en interpreteren? De hoeveelheid informatie kan immers snel overweldigend worden en zonder hulp te complex zijn om te begrijpen. Ik verwijs naar het artikel ‘Voedingsadvies loopt in de soep’ in ICT&health 1, februari 20221.
Dit leidde mij tot het zoeken naar een oplossing die niet alleen de data interpreteert, maar ook personaliseert. Dat bracht mij naar volgend idee: zou een AI-getraind systeem, gepersonaliseerd met mijn data, wél de overvloed aan data kunnen begrijpen en zinvol gezondheidsadvies kunnen geven? Maak kennis met de PLLM (Personal Large Language Model).
Gewapend met enkel een basiskennis van LLM's, Python, transformers en vector-databases, begon ik met het creëren van een persoonlijke gezondheidscoach. Het doel: statische betrouwbare medische informatiebronnen combineren met mijn dynamische persoonlijke meetwaarden. Dit systeem moest open source zijn en draaien op een persoonlijke laptop voor privacy-redenen.
Na maanden van trial en error kwam er redelijk succes met behulp van de GPT4ALL-app geladen met ‘Llama 3 instruct’ (een LLM), gecombineerd met mijn lokale data. Het resulterende systeem kon mijn persoonlijke gezondheidsvragen effectief beantwoorden. Zodra het enigszins werkte, begon ik dit project met een breder publiek te delen. De gesprekken die hierop volgden, onthulden een veel bredere potentie.
Discussies met anderen onthulden diverse toepassingen. Sommigen gebruikten vergelijkbare PLLM's voor persoonlijke ontwikkeling of geestelijke gezondheid, waarbij ze de voordelen van multi-modality voor taken zoals het bijhouden van de voedselsamenstelling van maaltijden opmerkten. Multi-modality betekent dat je buiten tekst, ook beeld- en audio-materiaal, alsook documenten kan gebruiken wanneer je met een LLM communiceert. Zo kan je een foto nemen van je bloed-analyse en deze omzetten in eenvoudig te begrijpen taal.
Het besef drong door dat, terwijl ik een tool voor patiënten voor ogen had, ook zorgverleners baat kunnen hebben bij zo'n systeem. Een systeem dat ook hen kan helpen hun datavloed te beheren en hen in staat stelt om hun advies af te toetsen aan verschillende andere medische disciplines. Gezondheidszorg vereist immers een holistische aanpak.
Dit leidde tot het concept van gespecialiseerde LLM's, elk gericht op een specifiek expertisegebied, van voeding tot geestelijke gezondheid, die samen werken rond één persoon. Dus in plaats van één enkelvoudige PLLM, gebruiken we verschillende LLMs, elk met een bepaalde medische expertise, die met elkaar overleggen. Stel je een systeem voor waarin gespecialiseerde LLMs (bijvoorbeeld: voedingsdeskundige, arts, slaapcoach, fysiotherapeut) elkaars advies bespreken en verfijnen voordat ze een aanbeveling doen.
Dat betekent bovendien dat ook zorgverleners gebruik kunnen maken van zulk een systeem, waarbij ze hun advies kunnen aanvullen met de kennis van verschillende andere medische disciplines, 24 uren per dag.
Helemaal identiek aan onze huidige aanpak verbetert de kwaliteit en nauwkeurigheid van gezondheidsadviezen wanneer de kennis van verschillende zorgprofessionals gecombineerd wordt. Alleen is zo’n aanpak in ons huidig systeem enorm tijdsintensief en onbetaalbaar.
Het kan nóg beter, we kunnen eerdergenoemde aanpak verbeteren door een multi-agent systeem. Zo'n systeem neemt een algemeen hoofddoel (gezondheidsdoel), splitst dat op in een reeks tussenstappen, voert die stappen uit, waarbij het de output van de ene stap naar de volgende overbrengt en de uiteindelijk outputs combineert om het hoofddoel te bereiken.
Het systeem heeft zogeheten agency, omdat het zelfstandig acties plant en initieert op basis van zijn beoordeling van een bepaalde situatie. Een agent (of meerdere) zal de beslissing nemen om meerdere op elkaar inwerkende systemen op te roepen en contact opnemen met een mens als dat nodig is. Deze multi-agent benadering, waarbij verschillende expert-agenten samenwerken om uitgebreid advies te geven, komt naar voren als een superieur model.
Artsen zouden dan een LLM met een bepaald doel kunnen voorschrijven, zoals een aanpak voor huidaandoeningen die rekening houdt met je huidskleur, een sportcoach voor een 60-plus atleet die een marathon wil lopen of leefstijladvies voor kind dat om medische redenen een ketogeen dieet moet volgen.
Deze gepersonaliseerde aanpak garandeert niet enkel persoonlijke, maar ook inclusieve zorg. Zo'n systeem belooft de toegang tot gezondheidszorg te democratiseren, door kwaliteitsadvies te bieden aan iedereen, ongeacht locatie of achtergrond.
Voortbouwend op het gemak van app-creatie vandaag de dag, stel je voor dat je zelf makkelijk je hyper-gepersonaliseerde gezondheidscoach-LLM kan bouwen, een LLM die perfect past bij jouw individuele behoeften, doelen en levensstijl. Een LLM die afhankelijk van jouw doel(en) stapsgewijs een aanpak uit tekent en beroep doet op verschillende medische LLMs die relevant zijn voor jouw doel. Een LLM die de foto’s van je maaltijd analyseert en de macro- en micro-nutriënten in je dagboek noteert, je medicatie-herinneringen stuurt, je adviseert op basis van de gegevens van je wearables, je assisteert om je boodschappenlijstje aan te maken en je aanmoedigt wanneer het meest nodig is.
Bovendien kan je opteren om je arts toegang te geven tot jouw PLLM, zodat ook deze het best mogelijke advies kan geven, gewapend met een overzichtelijk dagboek van jouw persoonlijke context.
Als het maken van zo'n gepersonaliseerde assistent geen of weinig codering vereist, waarom zou je dan niet de sprong wagen? Deze benadering maakt niet alleen gezondheidsbeheer toegankelijker, maar stelt individuen ook in staat om de controle over hun welzijn te nemen.
Kortom, de evolutie van een enkelvoudige PLLM naar een meervoudig LLM-systeem met multi-agent aanpak, gecombineerd met de eenvoud van het bouwen van apps, creëert verschillende opportuniteiten in persoonlijk gezondheidsbeheer. Deze integratie van technologieën biedt een veelbelovende toekomst waarin iedereen toegang kan krijgen tot op maat gemaakt, deskundig gezondheidsadvies.
U kent mijn advies: omarm de technologie en ontgrendel het potentieel! En om in het thema te blijven, hierbij enkele recente startups met een focus op AI die assisteert bij het leveren van gepersonaliseerde zorg.
Air introduceert 's werelds eerste AI die 10-40 minuten durende telefoongesprekken kan voeren die klinken als een echt mens. Deze AI heeft oneindig geheugen, perfecte herinnering en kan autonoom taken uitvoeren via meer dan 5.000 applicaties. Het kan de taken van een fulltime medewerker uitvoeren zonder training, management of motivatie. Het werkt 24/7/365.
Synthpop gebruikt geavanceerde taalmodellen om workflows in de gezondheidszorg te vereenvoudigen. De AI-agenten verwerken complexe administratieve taken, van het sorteren van verwijzingen tot het direct valideren van medische orders en recepten op basis van richtlijnen van verzekeraars en ziekenhuizen. Synthpop biedt verschillende producten om de operaties voor zorgverleners, leveranciers en softwarediensten te stroomlijnen.
Aware biedt gezondheidscontroles aan die meer dan 70 belangrijke biomarkers dekken voor 179 euro per jaar. Beschikbaar in Berlijn, Frankfurt, Hamburg, München, Wenen en nu ook in Amsterdam. Boek je 15-minuten afspraak voor een bloedtest in een van hun laboratoria op een tijdstip dat jou best uitkomt. Ontvang je resultaten in de app binnen 2 werkdagen (voedingsresultaten in 4 dagen). Test een tweede maal, monitor je vooruitgang en bespreek je resultaten met een arts, optioneel gewapend met een overzicht van je resultaten in pdf-vorm.
Zing Coach biedt een geavanceerde digitale personal trainer met behulp van AI-technologie. Het beoordeelt nauwkeurig de fitheid, bouwt op maat gemaakte programma's, volgt de voortgang en biedt motivatie en ondersteuning tijdens het fitnessen. In plaats van quizzen gebruikt Zing Coach ZingLab, een reeks geavanceerde fitheid-tests en analyses van bewegingen aangedreven door computervisie, samen met scanners die de lichaamssamenstelling beoordelen. Naarmate gebruikers vooruitgang maken, bewaakt de AI Coach hun vorm, volgt de voortgang en biedt op maat gemaakte adviezen en aanmoedigingen.
Decagon levert hoogwaardige generatieve AI-oplossingen voor de klantenservice. Hun AI-agenten maken dynamische reacties, waardoor complexe beslissingsbomen en vooraf ingestelde antwoorden overbodig worden. Deze agenten leren continu, integreren naadloos met bestaande tools en data, en bieden geautomatiseerde oplossingen. Het platform beschikt ook over geavanceerde analyses en AI-inzichten, waardoor bedrijven trends kunnen herkennen, afwijkingen kunnen detecteren en aangepaste analyses kunnen uitvoeren. Dit verhoogt de klanttevredenheid en lost vragen van klanten efficiënt op.
Callyope biedt technologie om de mentale gezondheid te monitoren via spraak. Met een eenvoudige één minuut durende stemtest kunnen psychiaters op afstand de voortgang van hun patiënten volgen. De technologie analyseert spraak om klinische scores, vermoeidheid en cognitieve gebreken te voorspellen, zonder dat er een basislijn vereist is. Dit helpt bij het personaliseren van zorg, versnelt het vinden van de juiste behandeling en voorkomt heropnames.
