Kunstmatige intelligentie in de gezondheidszorg. Hoe werken algoritmes? Wat zijn voorbeelden, voordelen en risico’s? Wat zijn tips en succesfactoren bij het inzetten van AI in de zorg?
Dit is de opbouw van dit artikel:
- Definitie
- Voorbeelden
- Toekomst: AlphaFold en nieuwe medicatie
- Nadelen en risico’s
- Succesfactoren
- Tips
Aan het einde van dit artikel kun je nog een reactie plaatsen als je een vraag of opmerking hebt.
Andere relevante artikelen op mijn blog zijn o.a. Alles over ChatGPT in de Gezondheidszorg / Zorgtechnologie met 4 voorbeelden / Innovatie in de gezondheidszorg: betekenis en 3 trends / 6 boeiende trends door een futurist gezondheidszorg.
Liever luisteren? In aflevering 128 van de podcast Toekomstbeelden praat ik met Susan over de toekomst van AI in de gezondheidszorg. Je kan de aflevering ook luisteren op YouTube.
Video over voorbeelden van AI in de zorg
In deze video vertel ik over voorbeelden van kunstmatige intelligentie in de zorg. Dat doe ik aan de hand van een indeling in 7 categorieën:
Definitie, uitleg en termen
Definitie
De definitie van kunstmatige intelligentie zoals ik die hanteer is: Het zijn intelligente systemen die zelfstandig taken kunnen uitvoeren in een complexe omgeving. Daarbij kunnen ze hun eigen presentaties verbeteren door te leren van ervaringen.
Synoniemen voor kunstmatige intelligentie zijn: artificiële intelligentie of in het Engels: artificial intelligence, soms afgekort naar AI.
De term AI werd voor het eerst gebruikt door computerwetenschapper John McCarthy in 1955. Een jaar later organiseerde hij de eerste conferentie over dit onderwerp.
Als je me wil inhuren voor een lezing of presentatie over dit onderwerp, neem dan contact met me op. Of kijk eerst op de pagina spreker AI gezondheidszorg voor meer informatie, voorbeelden en referenties.
Uitleg
Kunstmatige intelligentie is een breed begrip. In essentie gaat het om computers die logica en data gebruiken om taken uit te voeren. Daarvoor gebruiken deze systemen naast data ook programmeertalen en algoritmes.
Hoewel algoritmes spannend klinken is het eigenlijk niets anders dan een reeks regels of instructies die je van een beginsituatie naar een gewenst einddoel brengen. Een recept uit een kookboek kun je ook zien als een algoritme.
De definitie van een algoritme is ‘een reeks van stapsgewijze instructies die tot doel hebben een bepaald probleem op te lossen.’
Algoritmes zijn niet identiek aan kunstmatige intelligentie. Márton Görög gebruikt deze handige metaforen:
- als een robot een pannenkoek bakt op basis van een recept, dan is dat een algoritme.
- als dezelfde robot een heleboel data krijgt over pannenkoeken bakken, dan gaat het veel leren en proberen. Dit is kunstmatige intelligentie.
De reden dat kunstmatige intelligentie een vlucht heeft genomen in de afgelopen jaren is tweeledig. Ten eerste is de rekenkracht exponentieel toegenomen door betere processoren. Ten tweede is er steeds meer data beschikbaar.
Termen
Binnen het brede begrip van kunstmatige intelligentie vallen een aantal andere termen:
Bij Machine Learning (afkorting: ML) zoekt het systeem naar patronen en overeenkomsten in grote datasets om vervolgens op basis daarvan voorspellingen te doen. Dit doet het systeem met statistische en wiskundige technieken, die vooraf niet expliciet zijn geprogrammeerd. De prestaties van het uitvoeren van een taak worden beter als het systeem meer ervaring opdoet met het uitvoeren van die taak.
Supervised learning is een vorm van ML waarbij mensen aan de computer voorbeelden laat zien. Op basis van deze voorbeelden formuleert het systeem regels. Met oefening en feedback (van mensen) scherpt het systeem de regels verder aan.
Reinforcement learning is een vorm van ML waarbij het systeem feedback krijgt nadat de taak is uitgevoerd.
Unsupervised learning is een vorm van ML waarbij een systeem zelfstandig op zoek gaat naar patronen in data.
Deep Learning (afkorting: DL) is een onderdeel van ML, gebaseerd op meerlaagse neurale netwerken. Het verschil met ML is dat een DL-model zichzelf kan aanpassen op basis van data. Bij ML kan dit alleen door menselijke bijsturing, bijvoorbeeld in de code van het algoritme. Het voordeel van DL-modellen is dat ze uit de voeten kunnen met ongestructureerde data.
Voorbeelden van het kunstmatige intelligentie in de zorg
Voorbeelden
Wat zijn voorbeelden van het gebruik van kunstmatige intelligentie in de gezondheidszorg? De voorbeelden heb ik onderverdeeld in de volgende categoriën:
- Data analyse;
- Beeldherkenning;
- Spraakherkenning;
- Preventie en nazorg;
- Bedrijfsvoering.
Data analyse
Een aantal toepassingen op het gebied van data-analyse:
- Pacmed Critical is een kunstmatig intelligent systeem dat inschat wie er van de intensive care naar de verpleegafdeling kan en wie niet. Twee intensivisten van het Amsterdam UMC ontwikkelden dit systeem samen met softwareontwikkelaar Pacmed.
- Periscope van Health.ai voorspelt de kans op infectie bij een patiënt. Oprichter Bart Geerts vertelde me dat de applicatie als een soort plug-in bij het elektronisch patiëntendossier zit, vergelijkbaar met plug-ins die je in je browser gebruikt.
- Onderzoekers van Maastricht UMC hebben een algoritme ontwikkeld om de kans op complicaties tijdens de zwangerschap te berekenen. Alle verloskundigenpraktijken in Limburg maken gebruik van het rekenmodel, waarbij factoren zoals gewicht, erfelijkheid en rookgedrag worden meegenomen.
Beeldherkenning
Kunstmatige intelligentie is zeer goed in beeldherkenning. Een aantal voorbeelden:
- Aidence detecteert longknobbels op basis van CT scans. Radioloog Paul Algra benoemt in een interview de voordelen: ‘Wat ik als mens niet kan, is het vergelijken van de beelden van een CT-scan met een eerdere scan van een jaar geleden. Voor een AI is dat geen probleem. Het berekent bijvoorbeeld of vlekjes in de tussentijd groter of kleiner zijn geworden. De hoeveelheid data in ons werk is zo enorm groot, daar heb je dit soort instrumenten voor nodig.’
- Oxipet bouwt het autonoom systeem ChestLink dat röntgenfoto’s van de borst analyseert. Volgens CEO Gediminas Peksys zegt in een interview dat hun oplossing zo’n 15% tot 40% van het werk van radiologen overnemen.
- Een vergelijkbare applicatie bouwt Behold.ai. Hun toepassing richt zich op de detectie van longkanker op basis van röntgenfoto’s.
- De app SkinVision is beschikbaar voor consumenten. Met de app maak je een foto van een moedervlek. Vervolgens analyseert de app wat de kans is dat de vlek een melanoom (een vorm van huidkanker) is. Onderzoek laat zien dat het algoritme een sensitiviteit van 95% (correct herkennen van melanomen) en een specificiteit van 78% (correct herkennen dat de vlek geen melanoom is). Dit is hoger dan huisartsen (rond de 70%) en zelfs dermatologen (83%).
Spraakherkenning
Kunstmatig intelligente software die stem en spraak herkent, verwerkt en analyseert:
- Met Attendi rapporteren zorgprofessionals door middel van spraakherkenning. De gesproken tekst wordt door de software direct omgezet in bruikbare rapportages.
- Een vergelijkbare tool is Autoscriber. Deze startup startte als project in het LUMC Leiden. De tool haalt informatie uit het electronisch patiëntendossier (EPD) en werkt deze bij met spraakherkenning door de arts of zorgprofessional.
- Onderzoekers aan de UT Southwestern Medical Center in Dallas, Verenigde Staten, hebben aangetoond dat een algoritme op basis van stemanalyse de eerste tekenen van cognitieve achteruitgang en de ziekte van Alzheimer kunnen voorspellen. Het bijzondere van deze methode is dat de onderzoekers maar een audio-opname van 10 minuten van de patiënt nodig hebben.
Preventie & nazorg
AI kan helpen in het eerder signaleren van een aandoening van een patiënt of een rol spelen in de zorg na een behandeling of interventie. Een paar voorbeelden uit Nederland:
- SMARD is een project van het RadboudUMC in Nijmegen. Het doel is om de terugkeer van depressive episodes bij patiënten eerder op te merken en proberen te voorkomen. Een van de onderdelen is een app die op de achtergrond het gedrag van een patiënt op diens smartphone analyseert.
- Een vergelijkbare tool biedt Neurocast aan. De app draait op de achtergrond van iemand’s smartphone. Met de app wordt het typegedrag geanalyseerd. Niet de inhoud, maar hoeveel woorden, zinnen, hoe snel, hoeveel woorden en hoe hard iemand op het scherm drukt.
- Het Hart Long Centrum van het LUMC in Leiden biedt haar patiënten The Box aan. Dit is een pakket met verschillende apparaten voor het uitvoeren van thuismetingen. Een eerste onderzoek van Roderick Treskes laat zien dat patiënten meer tevreden zijn met deze zorg op afstand én dat het de zorgkosten lijkt te verlagen.
Meer weten over zorg op afstand? Lees in dit artikel meer over ehealth.
Bedrijfsvoering
Kunstmatige intelligente systemen hebben een steeds grotere rol in de bedrijfsvoering van de gezondheidszorg.
- De spoedeisende hulp van het Sint Michaels ziekenhuis in Toronto, Canada, zet AI in om de wachttijden te verkorten. De data die de onderzoekers aan het algoritme voedden, waren onder meer het aantal patiënten in het verleden, weergegevens en een agenda van activiteiten in de buurt, zoals een grote sportwedstrijd. De tool geeft een verwachting van de toeloop van patiënten, waardoor het ziekenhuis genoeg artsen en verpleegkundigen kan inzetten. Naar eigen zeggen leidt de inzet van het systeem tot een kostenbesparing van meer dan een miljoen dollar per jaar.
- De Nederlandse stichting DHD ontwikkelt met twintig ziekenhuizen een AI-model dat de ICD-10-coderingen van dagopnamen ondersteunt en waar mogelijk automatiseert. Dit scheelt de medische codeurs tijd, ook omdat het systeem suggesties geeft als het model de opname niet eenduidig kan coderen.
Een boeiende ontwikkeling is AlphaFold: een algoritme die het eiwitvouwprobleem lijkt het hebben opgelost. Stimuleert dit de ontwikkeling van nieuwe medicatie?
Toekomst: AlphaFold
In 2016 versloeg AlphaGo, een AI-systeem dat zichzelf de regels van Go heeft aangeleerd, de beste menselijke Go-speler van dat moment. De documentaire AlphaGo laat dit schitterend zien.
Deze doorbraak motiveerde DeepMind, de makers van AlphaGo, om een veel moeilijkere uitdaging aan te pakken: het voorspellen van volgordes van aminozuren en de vouwing van eiwitten.
De volgorde van aminozuren bepaalt namelijk niet alleen de vorming van een eiwit, maar ook de wijze waarop het eiwit is gevouwen. En die eiwitvouwing is essentieel: dit bepaalt wat het eiwit doet en wat andere moleculen met het eiwit kunnen.
Van vouw tot medicijn
Het doel van medicijnen is om bepaalde moleculen te blokkeren of juist te stimuleren. Biologen en farmaceuten willen daarom graag weten hoe eiwitten zijn gevouwen.
Met allerlei methoden hebben wetenschappers in de afgelopen vijftig jaar iets van honderdduizend eiwitstructuren in kaart gebracht.
En toen kwam AlphaFold: dit programma maakt gedetailleerde voorspellingen over de vouwing van meer dan 600 miljoen eiwitstructuren.
De verwachtingen zijn daarom hooggespannen. Met deze kennis is het voor medisch biologen veel sneller, makkelijker én goedkoper om veelbelovende combinaties van moleculen te testen als basis voor nieuw medicijnen.
Potentie
In zijn theatercollege over kunstmatige intelligentie is Lieven Scheire (comedian en wetenschapscommunicator) er daarom zeker van. Ik parafraseer:
“Er zit hier iemand in de zaal, wie veel langer gaat leven door een medicijn dat is ontwikkelt met behulp van de database van AlphaFold.” – Lieven Scheire
Kortom: AI-voorspellingen van eiwitstructuren = nieuwe medicatie.
Uitlegvideo over eiwitvouwen en AlphaFold
Sabine Hossenfelder maakte deze duidelijke video over het probleem van eiwitvouwen en of AlphaFold de oplossing is.
Wat zijn nadelen en risico’s van AI in de zorg?
Nadelen en risico’s
Dit zijn een aantal nadelen, risico’s en uitdagingen aan de inzet van AI in de zorg:
- Marketing
- Energieverbruik
- Inzet van mensen
- Niet uit te leggen
- Meer werk (in het begin)
- Anchoring bias
- Reductionisme
Marketing
Kunstmatige intelligentie wordt gebruikt door start-ups om extra investeringen aan te trekken. Volgens dit artikel leidt het noemen van AI door je bedrijf tot 15% a 50% meer investeringsgeld.
Neem bijvoorbeeld het chatprogramma MedPalm. Bij rechttoe-rechtaan examenvragen scoort het programma buitengewoon goed. Bij open vragen geeft het 20% van de keren verkeerde informatie en komt het in 10% van de gevallen tot verkeerde conclusies. Bij artsen zijn de percentages 1,4 en 2,0 procent.
Veel bedrijven zien de zorg als een werkveld waar ze met AI-toepassingen veel geld kunnen verdienen. Deze illustere voorbeelden laten zien dat het lang niet altijd succesvol is:
- Het Britse Babylon Health wilde de ‘Google van de zorg’ worden. In 2023 ging het bedrijf failliet.
- Het AI-systeem IBM Watson maakte in 2011 indruk door de televisiequiz Jeopardy te winnen. Datzelfde jaar kondigden ze aan zich te richten op de zorg. Dat mislukte. In 2022 werd Watson in delen verkocht.
Energieverbruik
Het trainen van kunstmatige intelligentie systemen kost veel energie. Volgens een schatting brengt een trainingssessie van ChatGPT-3 zo’n 500 ton aan CO2-uitstoot met zich mee. Dat staat gelijk aan duizend auto’s die duizend kilometer rijden.
Inzet mensen
AI is niet magisch. Het algoritme is zo goed als de kwaliteit van de dataset waarop het is getraind. Het juist labellen van de data is nog steeds handwerk, wat veelal voor lage uurtarieven wordt uitbesteed aan arme landen. Deze rapportage in The Verge laat dit op een indrukwekkende wijze zien.
Niet uit te leggen
Een van de problemen met Deep Learning is het gebrek aan verklaarbaarheid. Het model genereert zelf een bepaalde output, die de zelfs de data scientist niet kan verklaren.
Zelf heb ik gemerkt dat gebruikers van de algoritmes dit veelal niet als een probleem ervaren. Als een arts merkt dat zij geholpen is met een diagnose, dan is de verklaarbaarheid minder van belang.
Vergelijk het met je eigen omgang met apps zoals Google Maps. Voor je reis hoef je niet te weten met welke afwegingen en berekeningen de app een route voor je berekent.
Toch ben ik van mening dat de verklaarbaarheid dan op een andere manier geborgd moet zijn. Dat kan zijn dat het de taak is van een lid van het projectteam, zoals de data scientist. Dat kan door bijvoorbeeld het gebruik van het algoritme periodiek te beoordelen en eventueel bij te stellen.
Meer werk (in het begin)
Omdat het algoritme in de zorg gaan om de gezondheid van patiënten, is het model in het begin meestal zo ingesteld dat er veel vals positieve meldingen zijn. Dit betekent dat het algoritme bijvoorbeeld een hoge kans schat dat er een tumor op een afbeelding staat, terwijl er geen gezwel is.
De medisch specialist zal in het begin daarom veel vals positieve meldingen moeten beoordelen, wat zorgt voor meer werk. Na verloop van tijd zal het algoritme steeds beter worden door training en ervaring, waardoor het aantal vals positieve meldingen afneemt.
Anchoring bias
Anchoring bias beschrijft de neiging van mensen om te sterk te vertrouwen op het eerste stukje informatie dat ze over een onderwerp ontvangen. Dit is een cognitief vooroordeel dat in allerlei situaties in het leven voorkomt. Het speelt ook zeker bij de inzet van AI in de zorg. Zoals in dit artikel naar voren komt: de score van een algoritme bepaalt in hoge mate de inschatting die een arts geeft. Dit is niet per se slecht, maar voor gebruikers van algoritmes goed om rekening mee te houden.
Reductionisme
Niet alle facetten van een persoon of diens gezondheid kun je vatten in data. Het risico van het gebruik van AI in de zorg is dat gezondheid wel wordt gereduceerd tot een datapunt of score.
Daarbij is de data vaak gericht op alleen de patiënt. Terwijl de partner, familie, mantelzorgers en andere verwanten ook een belangrijke rol spelen in het ziekte of geneesproces.
Een ontwikkeling die hier tegenin gaat is positieve gezondheid. Dit gedachtengoed is ontwikkeld door Machteld Huber. Positieve gezondheid draait vooral om de vraag wat een persoon nog wél kan in plaats van uit te gaan van de beperkingen. Huber definieert de term zelf als ‘het vermogen om met het leven om te gaan.’ Factoren die in het model ook worden meegenomen zijn onder andere kwaliteit van leven, mentaal welbevinden en zingeving.
Positieve gezondheid is het vermogen om met het leven om te gaan.
Machteld Huber, grondlegger positieve gezondheid
Nog een leuke anecdote dat data niet alles zegt. Zo hoorde ik van een arts dat ze de activiteit van een groep patiënten gedurende de dag bijhielden. Één van de patiënten stopte elke avond om 22.00 precies met bewegen. De leden van het projectteam waren verbaasd.
Toen de patiënt langskwam voor een controle hield zij vol dat ze vaak rond 23.00 ging slapen, dus zeker nog actief was na tien uur. Pas na lang doorvragen viel het kwartje: thuis hadden ze een tijdschakelaar op de modem geplaatst, waardoor de wifi om 22.00 uitschakelde.
Wat zijn factoren die kunstmatige intelligentie in de zorg tot een succes kunnen maken?
Succesfactoren (5x)
Dit zijn een aantal succesfactoren voor de inzet van AI in de zorg:
- Voordelen van mens én machine
- Starten vanuit een probleem
- Nulmeting doen en continu evalueren
- Datakwaliteit op orde
- Autonomie en werkplezier
Voordelen benutten van mens én machine
Bepaalde taken waar machines in excelleren, zijn lastig voor mensen. En andersom. Dit fenomeen wordt aangeduid als de paradox van Moravec.
Het beste voorbeeld is autorijden. Decennialang wordt al geroepen dat volledig autonome voertuigen er bijna zijn. Alleen vraagt het besturen van een auto twee dingen: een alomvattend mentaal model van de wereld en het vermogen om onverwachte situaties te interpreteren. Algoritmes zijn hier niet goed in. Als een taak deze elementen bevat, dan kan het nog beter door een mens gedaan worden.
Andere taken kan AI beter dan een mens. Neem het beoordelen van scans door een radioloog, patholoog-anatoom of een andere medisch specialist. Een specialist kan onmogelijk honderd afbeeldingen in een paar seconden met elkaar vergelijken. Laat staan dat hij of zij dat kan vergelijken met de scans van dezelfde patiënt van een jaar geleden.
Voor een algoritme is dat geen probleem.
Starten vanuit een probleem
Net zoals bij andere innovaties is het belangrijk om te starten vanuit een probleem. De kernvraag is dan: wat is het probleem? De vervolgvraag is: hoe kunnen we dat probleem oplossen? Kunstmatige intelligentie kan daar een rol in spelen, maar dat hoeft niet.
Door de veelheid van (commerciële) aanbieders van medische algoritmes, worden sommige pakketten aankocht vanuit de aanbodkant. Dat is niet per se slecht, maar het kan ervoor zorgen dat het budget, tijd en inzet afleidt van belangrijkere problemen in de zorg.
Naast het starten vanuit de probleemstelling, moeten de randvoorwaarden op orde zijn bij de aanschaf of implementatie van een AI-systeem.
- Let op de classificatie binnen de Medical Device Regulation (MDR). Klasse 1 is het laagste risico, klasse III.
- Let op de privacy en dataveiligheid. In Nederland vind ik de privacy-vriendelijke en domeinoverstijgende data-infrastructuur GERDA in de Achterhoek interessant om te volgen.
Nulmeting doen en continu evalueren
Ga je aan de slag met een AI oplossing in de zorg, dan is het aan te raden om een nulmeting te doen. Neem het voorbeeld een algoritme die de kans op infectieziekten na een medische ingreep inschat. Voordat je dit algoritme inzet, onderzoek in hoeveel gevallen patiënten een infectieziekte oplopen na een behandeling. Doe vervolgens een pilot en vergelijk de inschatting van de artsen met het algoritme.
Als je daarna besluit om door te gaan met de AI oplossing, evalueer dan periodiek wat het algoritme oplevert. Bijvoorbeeld het aantal geholpen patiënten, werkuren van zorgprofessionals en budget.
Datakwaliteit op orde
Machine Learning werkt net zo goed als de gelabelde data die het krijgt om te trainen. Daarom is het belangrijk om de trainingsdata nauwkeurig te verzamelen en te labellen.
Neem bijvoorbeeld de huidapps voor het herkennen van melanomen. Deze zijn getraind met datasets van overwegend witte mensen.
Een fenomeen dat kan optreden is convenience sampling. Dit betekent dat de AI ontwikkelaars het algoritme hebben getraind met data die de werking van het model versterkt. Onwillige data waar het model minder goed op scoort, kan dan bijvoorbeeld expres buiten de trainingsset worden gelaten.
Een ander element is dat AI-programma’s die het geweldig doen bij één ziekenhuis, meestal een stuk slechter blijken te presteren bij een ander ziekenhuis. Dit signaleerde Eric Topol in een groot academisch overzichtsartikel. De patiëntenpopulatie en waarschijnlijk de metadata, door de wijze van registeren, spelen hier een rol in.
Autonomie en werkplezier
AI toepassingen hebben meerwaarde als de zorgkwaliteit verbeterd, de zorgkosten verlaagt, als patiënten sneller genezen en als het werk van zorgprofessionals er interessanter, beter en leuker op wordt.
Radioloog Paul Algra is in Nederland een pleitbezorger van AI in de zorg. Hij stelt in een interview onder meer dat ‘het gebruik van artificiële intelligentie heeft mijn werk interessanter gemaakt en de kwaliteit van de werkzaamheden verbeterd.’
Uit onderzoek blijkt dat autonomie een belangrijke factor is in het werkplezier van professionals. Als AI te sturend en dominant is in het werk van arts of verpleegkundige, neemt daarmee de autonomie en werkplezier af.
Bij een afname van het werkplezier loop je het risico dat zorgprofessionals de AI-software niet gaan gebruiken of (stiekem) gaan saboteren. Het is dus slim om op zoek te gaan hoe AI het werk interessanter kan maken.
Twee voorbeelden
Twee voorbeelden van de relatie tussen AI en autonomie tonen: een negatief en een positief voorbeeld.
Negatief voorbeeld: algoritme is leidend
Een voorbeeld uit de Verenigde Staten is naviHealth. In deze casus was het algoritme niet het probleem, maar wel hoe de leiding van het bedrijf de beoordeling van de software als uitgangspunt nam. Artsen die het niet eens waren met het algoritme, werden opzij geschoven en niet serieus genomen.
Positief voorbeeld: AI als check
Een positief voorbeeld komt uit Israel. Een onderzoeker van de Universiteit van Amsterdam vertelde me dit voorbeeld. Een probleem in een ziekenhuis was dat verpleegkundigen het toedienen van insuline aan patiënten moesten laten goedkeuren door een arts. Maar omdat artsen een ronde bij patiënten doen, duurde het soms lang voordat een verpleegkundige de goedkeuring krijgt.
Het idee was dat een algoritme de verpleegkundigen hierbij kan helpen. Maar nu komt het slimme: in het proces dient het algoritme als check. De verpleegkundige maakt eerst zelf een oordeel en raadpleegt vervolgens het algoritme ter controle. Dit scheelt tijd, zorgt een besparing van zorgkosten en bevordert de autonomie van de verpleegkundigen.
Tot slot, een aantal tips om met AI in de zorg aan de slag te gaan.
Tips
Een aantal tips over de inzet van AI in de zorg.
1. Bewustwording
Arts en onderzoeker Josip Car stelt op een symposium over digitale zorg in 2023 dat AI een fundamentele verandering is. ‘We gaan software-interventies gaan zien als volwaardige medische behandelingen.’
Het is daarom belangrijk om je te realiseren dat deze verandering verstrekkend en diepgaand is. Aan de ene kant biedt het enorme voordelen en heeft het een enorme potentie, zowel om kosten te besparen, zorgkwaliteit te verhogen en patiënten te helpen. Maar tegelijkertijd is AI geen magisch wondermiddel, want er zitten nog volop kanttekeningen, risico’s en uitdagingen aan.
2. Op de hoogte blijven
De tweede tip is om op de hoogte te blijven van deze ontwikkeling. Dit zijn enkele hulpmiddelen die ik aanraad:
- Boek Smart Until It’s Dumb van Emmanuel Maggiori. Fijn leesbaar boek over de ontwikkeling van kunstmatige intelligentie algoritmes en de fouten die daarin gemaakt kunnen worden.
- De Nationale AI-Zorg cursus. Goed vormgegeven cursus van ruim 2 uur met video’s, voorbeelden en testvragen.
- Toolkit Waardevolle AI in de zorg met 7 fasen, van idee tot productie. Per fase geeft de toolkit hulpvragen en een overzicht van de te betrekken actoren.
- Podcast Waardevolle AI voor Gezondheid. Afleveringen van rond de 30 minuten met experts uit verschillende (medische) disciplines.
- YouTube kanaal The Medical Futurist. Medisch blogger Bartalan Mesko maakt duidelijke hapklare video’s over AI in de zorg.
3. Experimenteren
Naast het lezen en luisteren over AI in de zorg, is het in mijn ervaring belangrijk om zelf ook te ervaren hoe deze systemen werken. Dat kan door aan de slag te gaan met een innovatiecentrum binnen de zorgorganisatie (zoals het Innovation Centre van het UMCG, het Health innovation Labs van het RadboudUMC of Innovatie bij ’s Heeren Loo).
Naast fysieke plekken kun je zelf aan de slag met het maken van AI toepassingen. Zelf experimenteer ik met TensorFlow en (het iets toegankelijkere) PyTorch.
PS. Als je me wil inhuren voor een lezing of presentatie over dit onderwerp, neem dan contact met me op. Of kijk eerst op de pagina spreker AI gezondheidszorg voor meer informatie, voorbeelden en referenties.
Wat opdrachtgevers zeggen over Peter
Zijn verhaal gaf duidelijke inzichten en raakvlakken voor alle betrokken afdelingen. Leuke interactie met het publiek!
Voor herhaling vatbaar!
Maarten Cornelissen, Martiniziekenhuis Groningen
Wat een energie bracht Peter met zich mee!
Veel leuke, enthousiasmerende voorbeelden, humor en interactie met het publiek kenmerkte de lezing van Peter.
Kiki Vergoossen, Diakonessenhuis
Interesse?
In mijn lezingen, workshops en webinars geef ik een overzicht van de meest relevante (technologische) ontwikkelingen, de kansen die ze opleveren en de risico’s die ze met zich mee brengen.
Mijn insteek is praktisch, met talrijke concrete voorbeelden, humor en veel interactie met de deelnemers.
Interesse?
In mijn lezingen, workshops en webinars geef ik een overzicht van de meest relevante (technologische) ontwikkelingen, de kansen die ze opleveren en de risico’s die ze met zich mee brengen.
Mijn insteek is praktisch, met talrijke concrete voorbeelden, humor en veel interactie met de deelnemers.