De afgelopen 20 jaar zijn er
volgens Valk grote stappen gezet in de doorontwikkeling van AI, waarbinnen er twee methoden zijn: ‘Machine Learning’ en ‘Deep Learning’.
Machine Learning is een methode waarbij systemen de mogelijkheid hebben om automatisch te leren en de opgedane ervaring te verbeteren zonder hiervoor uitdrukkelijk geprogrammeerd te zijn. Het systeem wordt gevoed met grote datasets (zoals beelden die al dan niet symptomen van een ziekte tonen) en kan deze kennis toepassen op nieuwe situaties. De nauwkeurigheid van het systeem verbetert in de tijd als het wordt blootgesteld aan meer gegevens.
Deep Learning is een specifieke Machine Learning-aanpak, losjes gemodelleerd op de neurale structuur van het menselijk brein. Net als een neuraal netwerk gebruikt het verschillende abstractieniveaus om over de wereld te leren - vandaar de term 'diep' leren. Diepe leeralgoritmen zijn geschikt voor taken als spraak-, tekst- en beeldinterpretatie, en in het bijzonder (visuele) patroonherkenning.
Ondersteunen professionals met adaptive intelligence
Philips richt zich op het combineren van AI en andere technologieën om in te spelen op de continue veranderende behoeften van de gezondheidszorg. Dit is ‘adaptive intelligence’, waarmee professionals in de zorg ondersteund worden bij het verlichten van routinematige werk, zodat er meer tijd overblijft voor de menselijke kant van de zorg. Zo kunnen specialisten hun patiënten sneller en nauwkeuriger diagnosticeren en behandelen. Mensen krijgen daarnaast meer inzicht in hun eigen gezondheid, zodat ze, waar nodig, zichzelf een gezondere levensstijl kunnen aanmeten.
Het potentieel van AI om de gezondheidszorg te verbeteren is grenzeloos. Het biedt een unieke kans om klinische gegevens te gebruiken om volledig geïntegreerde gezondheidszorg mogelijk te maken die voorspellend en nauwkeuriger is. Om alle aspecten van AI goed te laten werken, is volgens Valk echter uitgebreide samenwerking vereist tussen clinici, datawetenschappers, interactieontwerpers en andere experts. Veel ziekenhuizen gaan de komende jaren al eerste stappen zetten, zo bleek
vorig jaar uit een studie van HIMMS Analytics.
Vier AI toepassingen met impact
Valk benoemt vier huidige toepassingen van AI die nu al de transformatie van de gezondheidszorg ondersteunen.
Operationele efficiëntie en prestaties verbeteren
Op afdelings- en ondernemingsniveau kan AI grote hoeveelheden gegevens filteren. Hiermee kunnen zorgprofessionals hun prestaties optimaliseren, de productiviteit verhogen, en het gebruik van bestaande middelen verbeteren, waardoor tijd en kosten worden bespaard.
Op een radiologie-afdeling kan AI bijvoorbeeld verschil maken in het beheer van doorverwijzingen, de planning van patiënten en de behandelvoorbereiding. Verbeteringen hier kunnen helpen de ervaring van de patiënt te verbeteren en maken een effectiever en efficiënter gebruik van de faciliteiten mogelijk.
Ondersteuning klinische besluitvorming
Met AI kunnen grote hoeveelheden klinische gegevens worden gecombineerd om een meer holistisch beeld van patiënten te krijgen. Dit ondersteunt zorgverleners bij hun besluitvorming, wat leidt tot betere resultaten voor de patiënt en een betere gezondheid van de bevolking.
De behoefte aan inzichten en aan ondersteuning van klinische operaties door deze inzichten is enorm. Of dat nu de nauwkeurigheid van interventies is of het effectieve gebruik van mankracht, dit zijn zaken waar artsen mee worstelen.
Gezondheid Nederland inzichtelijk maken
Door de combinatie van klinische beslissingsondersteunende systemen met zelfmanagement van de patiënt kan ook het beheer van de gezondheid van de bevolking baat hebben bij AI. Met behulp van voorspellende analyses met patiëntenpopulaties kunnen zorgverleners preventieve maatregelen nemen, gezondheidsrisico’s verminderen, en onnodige kosten besparen.
Naarmate de bevolking gemiddeld ouder wordt, groeit de wens om niet alleen de ziektebeheersing te maximaliseren, maar ook de kwaliteit van leven. De mogelijkheid om gezondheidsgegevens van miljoenen consumenten samen te brengen, te analyseren, en te activeren zal ziekenhuizen in staat stellen om te zien hoe sociaaleconomische, gedrags-, genetische en klinische factoren correleren en kan meer gerichte, preventieve gezondheidszorg bieden buiten de vier muren van het ziekenhuis.
Consumenten mondiger maken en patiëntenzorg verbeteren
Nog steeds moeten röntgenfoto's, testresultaten, en andere kritieke gezondheidsgegevens fysiek van het ene kantoor van de zorgverlener naar het andere worden gebracht. De last van meervoudige verwijzingen, het uitleggen van symptomen aan nieuwe artsen, en het constateren van hiaten in de medische geschiedenis van patiënten zijn hier een gevolg van. Patiënten vragen meer gemak en een meer persoonlijke behandeling.
De grote drijfveer achter AI in de gezondheidszorg is dat patiënten meer betrokken raken bij hun gezondheid en de eigen behoeften beter begrijpen. De zorg zal hierop in moeten spelen met behulp van AI, zodat de kwaliteit omhoog gaat, de kosten beteugeld worden, en de toegankelijkheid verder verbeterd wordt.
Lees ook
deze blog over de inzet van AI in de zorg.
