Machine learning zal de gezondheidszorg drastisch veranderen. Er zijn al talloze machine learning toepassingen in gebruik, maar er zijn ook spraakmakende, dure inspanningen die hun doelen niet hebben bereikt. De ervaringen leren dat er drie veel voorkomende misverstanden bestaan rondom machine learning in de gezondheidszorg.
Mythe 1: Machine learning kan veel doen wat artsen doen
De realiteit is dat machine learning (ML) een deel van wat artsen tegenwoordig doen kunnen uitvoeren, maar ze zullen in de nabije toekomst niet álles kunnen doen of artsen vervangen (zelfs niet radiologen).
Artsen voeren drie hoofdtaken uit:
- helpen voorkomen dat mensen ziek worden;
- diagnosticeren wat er mis is wanneer mensen wel ziek worden;
- zorg en behandeling bieden.
ML kan een belangrijke bijdrage leveren aan de eerste twee hoofdtaken. ML-algoritmen zijn bijvoorbeeld bijzonder nuttig gebleken bij het voorspellen van kankerkarakteristieken in beeldvorming of bij het diagnosticeren van fracturen van röntgenfoto’s. Leeralgoritmen hebben hun potentieel aangetoond bij het koppelen van ziekterisico’s aan biomarkers.
Maar zelfs met de verdere ontwikkeling van deze toepassingen zullen ze niet het vermogen van een arts kunnen nabootsen om zorg en behandeling te bieden. De ML-output moet nog steeds geanalyseerd worden door iemand met medische kennis, anders kunnen triviale gegevens worden geïnterpreteerd als essentieel – en andersom.
Essentieel is ook het menselijke element om patiënten te helpen beslissen of en op welke manier ze behandeld moeten worden. Patiënten hebben vaak zorgen over hun behandeling. Artsen moeten de mentale toestand, de verwachtingen, geschiedenis en culturele factoren van een patiënt integreren in de gedeelde besluitvorming met de patiënt en zijn gezin. Patiënten waarderen deze menselijke interactie en het stelt hen gerust.
Als laatste: als de behandeling is voltooid, dan vereist het herstelproces zelf nauwlettend toezicht en zorg. Complicaties worden vaak gedetecteerd door klinische observatie, niet door protocolgestuurde testen of diagnostiek.
Mythe 2: Big data + briljante datawetenschappers zijn altijd een recept voor succes
De realiteit is dat ze allemaal nodig zijn, maar dat is nog niet voldoende. Méér data zijn beter, maar alleen als het de juiste data zijn en we deze volledig begrijpen.
Stel daarom de volgende vragen:
- Hoe werden de data verzameld?
- Voor welk doel werden de data verzameld?
- Wat zijn mogelijke problemen met de gegevens?
- Zijn de omstandigheden veranderd?
Hoogopgeleide datawetenschappers zijn onmisbaar voor het bouwen van geavanceerde ML-toepassingen, maar het is ook belangrijk om medische experts erbij te betrekken die begrijpen hoe ze over de modellen en de output moeten denken. In sommige gevallen werkt een ML-plus-menselijke aanpak het beste. De output van een ML-applicatie bevat vaak een ‘waarschijnlijkheid’. Een deskundige beoordeling kan waar nodig corrigeren.
Mythe 3: Succesvolle algoritmen zullen worden overgenomen
Helaas worden veel krachtige algoritmen niet overgenomen omdat ze niet zijn geïntegreerd in de workflow van potentiële gebruikers. Zo bouwde een Amerikaans ziekenhuis een applicatie om artsen te helpen identificeren wie de juiste specialist is naar wie ze een patiënt met een bepaald probleem moeten verwijzen. Niemand heeft het gebruikt. Artsen waren te druk om het EPD af te sluiten, de app te openen, informatie in te voeren en vervolgens terug te keren naar het EPD. Omdat de app niet ingebouwd was in de EPD-workflow, werd het geen succes.
Er zijn veel manieren om met behulp van ML besluitvorming te ondersteunen, zoals bijvoorbeeld met referentiemateriaal, zorgplannen, rapportages en waarschuwingen. Meldingen hiervan op het moment van besluitvorming zijn het meest effectief. De juiste informatie op het juiste moment vinden kan een uitdaging zijn.
Machine learning in de zorg kan de patiëntenzorg verbeteren en kosten verlagen. De sleutel is om goed na te denken over welke soorten problemen ML kan oplossen en wie erbij betrokken moeten worden.
Een voorbeeld is het tijdige ontslag uit het ziekenhuis van patiënten, wat cruciaal is voor het optimaliseren van de workflow, bezetting en inkomsten. Met een applicatie voorspelde een ziekenhuis de ontslagdatum met een hoge mate van nauwkeurigheid. Door deze informatie aan artsen en teammanagers te verstrekken, kunnen patiënten op het juiste moment naar huis gaan, wat onnodige ziekenhuisdagen vermindert.
Tot slot
De succesvolle voorbeelden van machine learning in de gezondheidszorg geven vertrouwen in het vermogen van ML om de patiëntenzorg op een betekenisvolle manier te verbeteren en de kosten te verlagen. De sleutel is om goed na te denken over welke soorten problemen ML kan oplossen, wie betrokken moeten worden bij de ontwikkeling van de applicatie en bij het interpreteren van de output. En hoe ML het mensen gemakkelijk kan maken om de bestaande inzichten te gebruiken en ernaar te handelen.
Bron: Harvard Business Review, Derek A. Haas, Eric C. Makhni, Joseph H. Schwab, John D. Halamka, Nov. 2019.
