Machine learning, dat meestal als een subvariant van kunstmatige intelligentie wordt gezien, is in korte tijd zeer relevant geworden binnen de geestelijke gezondheidszorg, aldus Lokkerbol. Recent kwam kennisinstituut Nivel
nog met een onderzoek dat het nut van machine learning in de gezondheidszorg als geheel onderstreept. Dit bleek uit de resultaten van drie big data-pilots die het kennisinstituut heeft uitgevoerd met met datascientists van verschillende universiteiten.
Machine learning is in opkomst doordat de wens naar gepersonaliseerde en proactieve zorg steeds sterker wordt. Machine learning-algoritmen kunnen uit grote datasets inzichten verkrijgen, zoals patronen die wijzen op een bepaalde aandoening. Dat gaat volgens een stap verder dan weten met welke behandeling of interventie patiënten gemiddeld genomen het beste geholpen zijn. Juist het kunnen voorspellen welke specifieke patiënten wel of niet geholpen zijn met bepaalde zorg, is een van de mogelijkheden van machine learning.
Veel misverstanden
Lokkerbol specialiseerde zich een jaar lang aan Harvard en MIT in Machine Learning. Hij geeft in het
bericht van het Trimbos Instituut aan dat de potentie van Machine Learning heel groot is. “Maar ik zie helaas ook veel misverstanden in de GGZ over de toepassing en mogelijkheden ervan. "De discussie wordt gedomineerd door twee extremen: de ene kant die denkt dat het alles zal kunnen oplossen, de andere kant denkt dat het er juist toe leidt dat je straks door een robot behandeld zult gaan worden. Beide kanten zijn wat overtrokken, waardoor de discussie niet erg constructief is."
Lokkerbol verwijst in dit kader naar het
Clalit-instituut uit Israel dat - vrij vertaald - concludeert: behandelaars zullen echt niet vervangen worden door algoritmen. Maar behandelaars die geen gebruik maken van algoritmen zullen wel vervangen worden door behandelaars die dat wel doen.
Machine learning biedt inzichten
Machine learning in de GGZ kan toegepast worden om grote hoeveelheden data (big data) te vertalen in kennis en inzichten die waardevol zijn voor de klinische praktijk. Dit kan omdat machine learning algoritmes in staat zijn om complexe patronen in de data te herkennen die traditionele tools (zoals regressie) over het hoofd zouden zien. Een
recent voorbeeld is de G-Moji-app van onder meer jeugdorganisatie Spirit en het CWI, bedoeld om op basis van big data analyses de mentale toestand en gedragspatronen van jongeren in de leeftijd van 16 – 24 jaar beter te voorspellen.
Machine learning-projecten zijn typisch gericht op predictievraagstukken, zoals ‘wat is de kans dat patiënt X opknapt van gangbare zorg?’ Of: ‘wat is de kans dat persoon Y in het komende jaar een depressie ontwikkelt?’ Met antwoorden op dit soort vragen kan de klinische praktijk een veel beter aanbod paraat hebben voor de specifieke patiënten die zich aandienen, aldus Lokkerbol
Verbetering klinische praktijk
“Ik vind het belangrijk om GGZ-professionals een kritisch en intuïtief begrip van machine learning te helpen ontwikkelen, zodat ze zelf aan de slag kunnen om met behulp van data de klinische praktijk te verbeteren. De GGZ heeft vooral behoefte aan kleinschalige, beheerste, successen die laten zien wat er wel en niet mogelijk is met de technologie in de klinische praktijk. Met deze opleiding hoop ik daar een bijdrage aan te leveren.”
Dit voorjaar start een eerste training om GGZ-medewerkers kennis te laten maken met machine learning. Elke deelnemer voert een project uit op basis van data uit de eigen instelling. De opleiding start op 19 maart 2019.
Openingsmanifestatie van de e-healthweek 2019
Meer weten over hoe, waarmee en met wie de zorg haar toekomst implementeert? Bezoek dan op 21 januari 2019 de jaarlijkse ICT&health Openingsmanifestatie van de e-healthweek. Entreekaarten zijn gratis, dus wacht niet en meld u snel aan want op is op!
