Nieuwe mogelijkheden in de zorg ontsluiten met AI

De zorg in de Verenigde Staten bevindt zich in de beginfase van een significante potentiële verstoring als gevolg van het gebruik van Machine Learning en Artificial Intelligence. Deze verschuiving is al meer dan een decennium gaande, maar met recente vooruitgang lijkt het erop dat het zich voorbereidt op snellere veranderingen. Er moet nog veel werk worden verzet om de veiligste en meest effectieve toepassingen van AI in de zorg te begrijpen, om vertrouwen te creëren onder clinici in het gebruik van AI en om ons klinisch onderwijssysteem aan te passen om een beter gebruik van AI-gebaseerde systemen te stimuleren.

Toepassingen van AI in de zorg

AI is al decennialang in ontwikkeling in de zorg, zowel in patiëntgerichte als in back-office functies. Een van de eerste en meest uitgebreide werkzaamheden heeft plaatsgevonden in het gebruik van deep learning en computer vision modellen.

Eerst, enkele terminologie. Traditionele statistische benaderingen in onderzoek – bijv. observationele studies en klinische trials – hebben gebruik gemaakt van populatiegerichte modelleringbenaderingen die vertrouwen op regressiemodellen, waarbij onafhankelijke variabelen worden gebruikt om resultaten te voorspellen. Bij deze benaderingen is, hoewel meer data beter is, er een plateau-effect waarbij boven een bepaalde grootte van de dataset geen betere inferenties kunnen worden verkregen uit de data.

Artificiële intelligentie brengt een nieuwe benadering van voorspelling. Een structuur genaamd een perceptron verwerkt data die rij voor rij wordt doorgegeven en wordt gemaakt als een netwerk van lagen van differentiaalvergelijkingen om de invoerdata te wijzigen, om een uitvoer te produceren. Tijdens de training wijzigt elke rij data die door het netwerk gaat – genaamd een neurale netwerk – de vergelijkingen op elke laag van het netwerk, zodat de voorspelde uitvoer overeenkomt met de daadwerkelijke uitvoer. Naarmate de data in een trainingsset wordt verwerkt, leert het neurale netwerk hoe het resultaat te voorspellen.

Er bestaan verschillende soorten netwerken. Convolutional neural networks, of CNN’s, waren onder de eerste modellen die succes vonden in zorgtoepassingen. CNN’s zijn zeer goed in het leren van afbeeldingen in een proces genaamd computer vision en hebben toepassingen gevonden waar beelddata prominent is: radiologie, retinale onderzoeken en huidafbeeldingen.

Een nieuw type neurale netwerk genaamd de transformerarchitectuur is een dominante benadering geworden vanwege zijn ongelooflijke succes voor tekst en combinaties van tekst en afbeeldingen (ook wel multimodale data genoemd). Transformer neurale netwerken zijn uitzonderlijk wanneer ze een set tekst krijgen, bij het voorspellen van vervolgtekst. Een toepassing van de transformerarchitectuur is het Large Language Model of LLM. Meerdere commerciële voorbeelden van LLM’s zijn Chat GPT, Anthropics Claude en Metas Llama 3.

Wat is waargenomen met neurale netwerken in het algemeen, is dat een plateau voor verbetering in leren moeilijk te vinden is. Met andere woorden, gegeven meer en meer data, neurale netwerken blijven leren en verbeteren. De belangrijkste beperkingen van hun mogelijkheden zijn grotere en grotere datasets en de rekenkracht om de modellen te trainen. In de zorg is de creatie van privacy-beschermende datasets die trouw klinische zorg vertegenwoordigen een belangrijke prioriteit om modelontwikkeling te bevorderen.

LLM’s kunnen een paradigmaswitch vertegenwoordigen in de toepassing van AI voor de zorg. Omdat ze goed zijn in taal en tekst, zijn ze een goede match voor elektronische dossiers waarin bijna alle data tekst zijn. Ze vereisen ook geen sterk geannoteerde data voor training, maar kunnen bestaande datasets gebruiken. De twee belangrijkste fouten met deze modellen zijn dat 1) ze geen wereldmodel of begrip van de data hebben die wordt geanalyseerd (ze zijn fancy autocomplete genoemd), en 2) ze kunnen hallucineren of confabuleren, tekst of afbeeldingen verzinnen die accuraat lijken maar informatie creëren die als feit wordt gepresenteerd.

Gebruiksgevallen die worden onderzocht voor AI zijn onder andere automatisering en versterking voor het lezen van radiologische afbeeldingen, retinale afbeeldingen en andere beeldgegevens; het verminderen van de inspanning en het verbeteren van de nauwkeurigheid van klinische documentatie, een belangrijke oorzaak van clinici-brandstof; betere, meer empathische patiëntcommunicatie; en het verbeteren van de efficiëntie van back-office functies zoals omzetcyclus, operaties en facturering.

Real-world voorbeelden

AI is geleidelijk aan in de klinische zorg geïntroduceerd. Succesvol gebruik van AI is meestal gevolgd door peer-reviewed trials van prestaties die succes hebben aangetoond en, in sommige gevallen, FDA-goedkeuring voor gebruik.

Onder de eerste gebruiksgevallen waarin AI goed presteert, zijn AI die ziektes detecteert in retinale onderzoeken en radiologie. Voor retinale onderzoeken is de gepubliceerde literatuur over de prestaties van deze modellen gevolgd door de inzet van geautomatiseerde fundoscopie om retinale ziektes te detecteren in ambulante settings. Studies over beeldsegmentatie, met veel gepubliceerde successen, hebben geresulteerd in meerdere softwareoplossingen die beslissingsondersteuning bieden voor radiologen, waardoor fouten worden verminderd en afwijkingen worden gedetecteerd om radiologenwerkstromen efficiënter te maken.

Nieuwere grote taalmodellen worden onderzocht voor hulp bij klinische workflows. Ambient voice wordt gebruikt om het gebruik van Elektronische Gezondheidsdossiers (EHR’s) te verbeteren. Momenteel worden AI-schrijvers geïmplementeerd om medische documentatie te ondersteunen. Dit stelt artsen in staat om zich te concentreren op patiënten, terwijl AI de documentatie afhandelt, waardoor efficiëntie en nauwkeurigheid worden verbeterd.

Daarnaast kunnen ziekenhuizen en gezondheidssystemen AI’s voorspellende modellering gebruiken om patiënten te risicostaten, om patiënten te identificeren die een hoog of toenemend risico lopen en om de beste koers van actie te bepalen. In feite worden AI’s clusterdetectiecapaciteiten steeds vaker gebruikt in onderzoek en klinische zorg om patiënten met vergelijkbare kenmerken te identificeren en om de typische koers van klinische actie voor hen te bepalen. Dit kan ook virtuele of gesimuleerde klinische trials mogelijk maken om de meest effectieve behandelingskoersen te bepalen en hun werkzaamheid te meten.

Een toekomstig gebruiksgeval kan het gebruik van AI-gebaseerde taalmodellen in arts-patiëntcommunicatie zijn. Deze modellen zijn gevonden om geldige antwoorden te hebben voor patiënten die empathische conversaties simuleren, waardoor het gemakkelijker wordt om moeilijke interacties te beheren. Deze toepassing van AI kan de patiëntenzorg aanzienlijk verbeteren door een snellere en efficiëntere triage van patiëntberichten op basis van de ernst van hun aandoening en bericht.

Uitdagingen en ethische overwegingen

Een uitdaging bij de implementatie van AI in de zorg is het waarborgen van regelgevingsconformiteit, patiëntveiligheid en klinische werkzaamheid bij het gebruik van AI-hulpmiddelen. Terwijl klinische trials de standaard zijn voor nieuwe behandelingen, is er een debat over of AI-hulpmiddelen dezelfde aanpak moeten volgen. Een andere zorg is het risico van gegevenslekken en het schenden van patiëntengegevens. Grote taalmodellen getraind op beschermde gegevens kunnen mogelijk brondata lekken, wat een aanzienlijke bedreiging vormt voor de patiëntengegevens. Gezondheidsorganisaties moeten manieren vinden om patiëntgegevens te beschermen en lekken te voorkomen om vertrouwen en vertrouwelijkheid te behouden. Vooroordelen in trainingsgegevens zijn ook een kritieke uitdaging die moet worden aangepakt. Om vooroordelen in modellen te voorkomen, moeten betere methoden worden geïntroduceerd om vooroordelen in trainingsgegevens te vermijden. Het is cruciaal om trainings- en academische benaderingen te ontwikkelen die betere modeltraining mogelijk maken en gelijkheid in alle aspecten van de zorg integreren om vooroordelen te voorkomen.

Het gebruik van AI heeft een aantal nieuwe zorgen en grenzen voor innovatie geopend. Verder onderzoek naar waar echte klinische voordelen kunnen worden gevonden in het gebruik van AI, is nodig. Om deze uitdagingen en ethische zorgen aan te pakken, moeten gezondheidszorgaanbieders en softwarebedrijven zich richten op het ontwikkelen van datasets die zorggegevens nauwkeurig modelleren, terwijl anonieme en privacyschendingen worden voorkomen. Bovendien moeten partnerschappen tussen gezondheidszorgaanbieders, systemen en technologie-/softwarebedrijven worden opgericht om AI-hulpmiddelen in de praktijk te brengen op een veilige en doordachte manier. Door deze uitdagingen aan te pakken, kunnen gezondheidsorganisaties de potentie van AI benutten, terwijl patiëntveiligheid, privacy en eerlijkheid worden gehandhaafd.