Om u een betere ervaring op onze website te geven, maken wij gebruik van cookies Voor meer informatie over hoe wij cookies gebruiken, kunt u ons privacybeleid raadplegen.

Kunstmatige intelligentie en klinische beslissingsondersteuning

Geplaatst op 29-05-2019 in Medisch


Er is veel te doen rondom tools voor klinische beslissingsondersteuning en kunstmatige intelligentie, en het kan soms lastig zijn hierin een weg te vinden. In dit artikel gaat gastauteur Don Bauman, CEO van Isabel Healthcare, dieper in op deze onderwerpen.

In een onlangs georganiseerde webinar met de titel ‘Artificial Intelligence (AI) Hype in Healthcare: Pros and Cons of Rules-Based vs. Machine Learning Decision Support Tools’ bespraken we de verschillen tussen deze twee soorten tools en hoe zij worden ingezet als symptomencheckers en ter ondersteuning bij het bepalen van een zorgrichting. Onze belangrijkste conclusie tijdens deze sessie was dat gepaste zorgvuldigheid de sleutel tot de juiste keuze is.

Zowel symptomencheckers voor patiënten als ondersteunende tools voor behandelaars zijn ontwikkeld om inzicht in symptomen te krijgen en het juiste zorgniveau te kunnen bieden. Het is daarom belangrijk dat dergelijke systemen aan een aantal kernvoorwaarden voldoen:

  • Zeer grote klinische nauwkeurigheid
  • Informatie over een breed scala aan aandoeningen
  • Onafhankelijke, door medische vakgenoten beoordeelde (peer-reviewed) studies en artikelen

Dit zorgvuldigheidsniveau is niet eenvoudig te bereiken voor leveranciers van klinische ondersteuningstools, maar het zou een minimale vereiste moeten zijn voor zowel op consumenten gerichte systemen als voor degene die bedoeld zijn voor artsen.

Bij reviews hebben we ontdekt dat het een groot verschil maakt of een systeem gebaseerd is op regels (‘rules-based’) of dat het zelflerend (‘machine learning based’) is. Dit verschil is eenvoudig te bepalen door het stellen van een simpele vraag: Staat het systeem de invoer van symptomen in vrije-tekst-vorm zonder vertaling toe, of enkel selectie van vaste symptomen uit een vooraf gedefinieerde lijst?

Bij de meeste op rules-based systemen worden symptomen geselecteerd in een vaste, door de tool aangeboden, lijst. Sommige van deze systemen maken daarnaast gebruik van natuurlijke taalverwerking (Natural Language Processing, NLP) om symptomen te herkennen, maar zij proberen deze vervolgens alsnog te koppelen aan de vaste symptomen die in het systeem opgenomen zijn. Beide methoden zijn beperkt; er is een gelimiteerd aantal symptomen dat herkend wordt, en die symptomen worden vervolgens gekoppeld aan een beperkt aantal mogelijke aandoeningen. Het bijhouden en schalen van rules-based technologie is zeer complex, wat al snel tot beperkte dekking leidt. Hierdoor kunnen tools die van deze technologie gebruikmaken niet volledig doen waar zij voor bedoeld zijn.

Andere punten waar u op kunt letten:

  • Vraagt het systeem de gebruiker om een voornaamste klacht te kiezen?
  • Vraagt het systeem of de patiënt het gevoel heeft dat hij naar de spoedeisende hulp moet gaan?
  • Dwingt het systeem de patiënt een aandoening te selecteren (een soort zelfdiagnose) aan de hand waarvan het juiste zorgniveau bepaald wordt (thuisbehandeling, huisartsenzorg, urgente zorg, spoedeisende zorg)?

Laat u niet misleiden door slimme interfacefuncties zoals chatbots en spraakherkenning; de gehanteerde klinische methode is te allen tijde het belangrijkste element.

Bij écht machinaal leren / NLP kunnen symptomen via natuurlijke spraak ingevoerd worden, en worden alle symptomen, inclusief diegene die in vrije-tekst-vorm zijn ingevoerd, gebruikt om een lijst met mogelijke aandoeningen en suggesties voor een zorgrichting te bieden. Deze tools zijn gemakkelijk te schalen, omvatten een breed scala aan aandoeningen, en doen waar zij voor bedoeld zijn.

Het is belangrijk dat u klinische ondersteuningssystemen onderzoekt en test op betrouwbaarheid, nauwkeurigheid en doeltreffendheid. U kunt leveranciers bijvoorbeeld vragen of hun systeem onafhankelijk gevalideerd is (dus niet aan de hand van interne studies), en u kunt voorbeeldcasussen met steeds minimaal drie of vier symptomen gebruiken om te kijken of het systeem correcte suggesties doet voor zowel mogelijke aandoeningen als zorgrichtingen. Het is wellicht niet eenvoudig maar wel zeer belangrijk dat u de juiste tool kiest.

Kort samengevat: volg niet zomaar een marketinghype. Grondig onderzoek en gepaste zorgvuldigheid vormen de sleutel tot inzicht in hoe systemen werken en in hoe goed zij functioneren. Wilt u meer weten over dit onderwerp? Klik dan op de link hieronder om een opname van onze webinar ‘Artificial Intelligence (AI) Hype in Healthcare: Pros and Cons of Rules-Based vs. Machine Learning Decision Support Tools’ te bekijken.

Bekijk de webinar

Share this: