De maatschappij, regering en de zorgsector zelf staan te springen om profijt te hebben van AI, zeker nu ook generatieve AI in opkomst is. De mogelijkheden voor diagnostiek en het voorspellen van ziekten zijn veelbelovend. Toch is de impact van AI in de zorg nog beperkt. Hoe komt dat? Ligt het aan de technologie zelf, of hoe wij als mensen ermee omgaan?
In veel artikelen zijn uiteenlopende redenen te lezen waarom AI tot nu toe weinig impact heeft in de zorg. Zo zouden AI-oplossingen vaak óf te breed zijn, waardoor focus ontbreekt en bruikbare behandelplannen uitblijven, óf juist te smal, met als gevolg een versnipperd landschap van losse applicaties die nauwelijks worden gebruikt. Hoewel AI vaak als zondebok wordt aangewezen, is die kritiek lang niet altijd terecht.
Als data van levensbelang is
De beschikbaarheid van data is een voorwaarde voor succesvolle toepassing van AI. En daar gaat het vaak mis. Een bekend fenomeen in de zorg is dat zorgprofessionals niet altijd over de juiste data op het juiste moment beschikken. Dat vormt een probleem, want zonder accurate en actuele data, kan een arts geen gefundeerde beslissingen nemen. Ditzelfde probleem speelt een rol in de ontwikkeling van AI-systemen. Om algoritmes te trainen zijn grote hoeveelheden data nodig, maar daarnaast is het ook van belang dat die data accuraat en betrouwbaar is. Dit is een nog grotere uitdaging dan alleen de arts te voorzien van de juiste informatie.
Het is dus belangrijk om de beschikbaarheid van je data en de kwaliteit van je data op orde te brengen. Houd daarom in de beginfase van je AI-oplossing al rekening met de volgende zaken:
- Naleving van regelgeving en privacy
Het naleven van regelgeving zoals de AVG en de EU AI Act komt altijd op de eerste plaats. Dit is al helemaal van belang in de zorgsector, omdat daar met gevoelige data wordt gewerkt. Het naleven van regelgeving is daarnaast een kans om vertrouwen op te bouwen bij stakeholders en om privacy te waarborgen. Dit kan door gevoelige gegevens onherleidbaar te maken (anonimiteit) of te vervangen door unieke codes (pseudonimiteit). Door vooraf te bepalen welke beschermingsmaatregelen worden genomen, blijft de impact en naleving ervan gedurende het hele dataverwerkingsproces inzichtelijk. - Een data-uitwisselingsprobleem of een AI-probleem?
Een andere bekende uitdaging is dat data vaak verspreid zijn over verschillende systemen en niet interoperabel zijn. Daarom is het belangrijk om te investeren in gestandaardiseerde gegevensuitwisseling, zoals SNOMED CT, wat zorgt voor betere datakwaliteit als de interoperabiliteit. In veel gevallen is het probleem simpelweg dat de juiste data niet beschikbaar is voor de juiste persoon, in dit geval een arts. Het is belangrijk om te bepalen of het probleem ligt bij het uitwisselen van gegevens, of dat AI daadwerkelijk toegevoegde waarde biedt als oplossing. - Het voorkomen van bias
Een risico bij de toepassing van AI-modellen, vooral in de zorg, is het ontstaan van bias. Dit kan ertoe leiden dat bestaande ongelijkheden onder patiënten worden versterkt. Om dit te voorkomen, is het essentieel om alert te zijn op mogelijke vooroordelen in AI-modellen en de onderliggende data. Controleer zorgvuldig of de data integer en representatief zijn. Als de data bias bevatten, resulteert dit in een AI-oplossing die deze bias verder versterkt.
Oog voor de zorgprofessional
Naast de technische randvoorwaarden is het belangrijk om de zorgprofessional niet over het hoofd te zien. Wat zijn hun dagelijkse uitdagingen? Wat kost hen de meeste tijd of leidt tot de grootste frustratie? AI-projecten moeten voorzien in concrete behoeften in plaats van abstracte beloftes bieden die in de praktijk niet haalbaar of relevant zijn. Door samen te werken met artsen, verpleegkundigen en andere zorgverleners, ontstaat er draagvlak en slagkracht om praktische en bruikbare oplossingen te ontwikkelen.
De volgende stap is om de oplossing dusdanig in het bestaande proces te integreren, zodat de zorgprofessional bijna niet door heeft dat er hulp komt vanuit AI. Denk aan een Copilot-achtige ervaring waarbij AI naadloos in een vertrouwde tool is verwerkt, zoals bij Microsoft 365 Copilot of Github Copilot. Het is daarbij niet erg als er veel kleine oplossingen tegelijkertijd bestaan, zolang deze maar onderdeel zijn van het proces. Op deze manier kunnen juist kleine en eenvoudige oplossingen effectief bijdragen aan het werk van de zorgprofessional.
Focus op de individuele patiënt
Veel AI-oplossingen in de zorg ondersteunen de zorgprofessional, maar hoe zit het als AI ook directe impact heeft op patiënt? In dat geval is het belangrijk om het juiste perspectief te behouden. Veel AI-modellen werken met statistieken en richten zicht op geclassificeerde groepen. Maar het gevaar is dat een uitkomst die voor een groep geldt, niets zegt over het individu. Daarom is het belangrijk dat de patiënt te allen tijde centraal staat. De meerwaarde van AI in de zorg ligt dan ook juist in het vinden van de uitzonderingen, zoals zeldzame aandoeningen of afwijkende symptomen. Dit vraagt om een aanpak die rekening houdt met weinig beschikbare data, zoals Small Data-technieken of met synthetische data.
Ook op het gebied van behandelplannen voldoet een individu nooit aan het gemiddelde. Elk mens is anders. De kracht van toegepaste AI ligt op dat vlak in het personaliseren van de aanpak in plaats van uit te gaan van het gemiddelde.
AI is mensenwerk
Tot slot wil ik nog benadrukken dat AI absoluut geen toverstaf is. De veelbelovende mogelijkheden van AI vergen nog jaren van onderzoek en ontwikkeling, maar de eerste stappen zijn gezet. Inzicht krijgen in wat AI wél en niet kan is essentieel om verwachtingen te managen en AI verantwoord in te zetten. Daarnaast is het belangrijk om AI te blijven zien als hulpmiddel dat de zorgprofessional ondersteunt, niet vervangt. Voor succesvolle toepassing van AI in de zorg, is het belangrijk om een holistische benadering te hanteren. Er moet aandacht zijn voor zowel de technologische randvoorwaarden, maar zeker ook de behoeften van zorgprofessionals en de individuele patiënt. Zo zie je maar, ook AI is mensenwerk.
