De inzet van kunstmatige intelligentie (AI) binnen de zorg opent nieuwe perspectieven, met name op het gebied van precisiegeneeskunde en de behandeling van kanker. Maar, zo waarschuwen twee wetenschappers, we moeten er niet op vertrouwen dat AI dé stand-alone oplossing is, of wordt, voor alle uitdagingen in de zorg. Volgens hen ligt de sleutel tot effectieve en betrouwbare zorgtoepassingen juist in de combinatie van AI met klassieke wiskundige modellen én ethisch verantwoorde datadeling.
AI wordt vaak gezien als dé belofte voor gepersonaliseerde zorg. Dankzij algoritmen die patronen herkennen in grote hoeveelheden gegevens, kunnen artsen nauwkeuriger voorspellen hoe een tumor zich ontwikkelt of reageert op therapieën. Daarnaast, zo is al diverse malen aangetoond, is AI-gestuurde diagnostiek ook een veelbelovende ontwikkeling. Met behulp van goed getrainde AI-algoritmen kunnen aandoeningen nauwkeuriger, sneller, in een vroeger stadium of in sommige gevallen zelfs al voordat de eerste symptomen zich aandienen, ontdekt worden.
AI versus wiskunde
Prachtige en zeer welkome ontwikkelingen, maar… AI heeft ook zijn grenzen. Wanneer er weinig data beschikbaar zijn – bijvoorbeeld bij nieuwe behandelingen als immunotherapie – kan AI verkeerde of vertekende uitkomsten opleveren. Wiskundige modellen, gebaseerd op bewezen biologische mechanismen, bieden dan uitkomst door beter te verklaren waarom een uitkomst logisch is.
Dr. Elana Fertig van het Institute for Genome Sciences (IGS), en Dr. Daniel Bergman van de University of Maryland School of Medicine (UMSOM), stellen in Nature Biotechnology dat wiskundige modellering momenteel te weinig wordt benut in de oncologie. “AI is data-gedreven, wiskundige modellen zijn kennis-gedreven. Juist in dat verschil ligt de kracht van een gecombineerde aanpak”, aldus Fertig.
Een goed voorbeeld hiervan zijn predictieve simulaties. Met wiskundige modellering kunnen onderzoekers virtuele kankercellen simuleren die reageren op behandelingen binnen een digitale tumoromgeving. Dat biedt inzicht in het mechanisme achter een behandeling, iets waar AI op zichzelf nog niet toe in staat is. “AI kan veel, maar de biologische verklaring ontbreekt vaak. Voor precisiebehandeling is die transparantie essentieel”, stelt Bergman.
Reproduceerbare wetenschap
Naast technologische robuustheid, pleiten de onderzoekers ook voor reproduceerbare wetenschap. In een ander artikel, gepubliceerd in Cell Reports Medicine, benadrukken de twee wetenschappers het belang van open data en transparantie. Alleen door gegevens en analysetools toegankelijk te maken voor andere onderzoekers, kunnen uitkomsten worden gevalideerd. Een cruciale stap, zeker omdat uit eerder onderzoek bleek dat meer dan twee derde (70%) van de wetenschappers experimenten van collega’s niet succesvol kon reproduceren.
Toch brengt open datadeling ethische uitdagingen met zich mee, zeker bij gevoelige genetische of klinische informatie. De auteurs pleiten voor een gebalanceerde aanpak, waarin privacy, transparantie en datakwaliteit samenkomen. Dat vraagt om heldere toestemming van patiënten, strikte standaarden bij dataverzameling en het gebruik van gecontroleerde open-sourceplatforms.
Uiteindelijk moeten we streven naar een infrastructuur waarin AI en wiskundige modellen elkaar aanvullen, en waarin betrouwbare, ethisch verantwoorde datasets de motor vormen van toekomstgerichte gezondheidszorg. “Alleen dan kunnen we AI laten floreren als onderdeel van een bredere digitale strategie.Niet als vervanging, maar als versterking van medische expertise”, zo besluit Fertig.
