HC.13.8 - AI in de zorg Flashcards
waarom AI in de zorg?
- patronen herkennen o.b.v. veel data en daarmee de zorg verbeteren
- digitalisering van de maatschappij en de zorg
- computers steeds sneller
- computer is beter in repetitieve taken en reproduceerbaarder
welk medisch specialisme zal in de toekomst het meeste invloed gaan ondervinden van nieuwe AI toepassingen?
artsen die met beelden: radiologie, cardiologie, pathologie, etc.
in welke domeinen en doelgroepen kan je AI inzetten?
alle maar dit HC focust op
- domeinen: preventie: vroege opsporing, behandeladvies
- doelgroepen: hele populatie, patiënt, artsen
wat is het verschil tussen machine versus deep learning?
machine: we gaan de computer leren om op vorm, grootte, kleur, etc. te letten in een plaatje dus je kijkt naar de kenmerken (MENS bedenkt de kenmeren die belangrijk zijn)
deep: het hele beeld wordt aangeboden en dus niet alleen de kenmerken. de computer gaat nu zichzelf trainen om de goeie output te geven de mens geeft geen kenmerken waar de computer op moet letten
wat is generaliseerbaarheid?
hoe goed werkt het model op ongeziene data
- underfitting: te weinig plaatjes gegeven
- balanced: wat je wil
- overfitting; te veel data ook nutteloos
welke vragen stel je om te kijken of er sprake van bias is?
- met welk doel zijn de data verzameld
- hoe zijn de data verzameld
- wat is de born van de data
- hoe betrouwbaar zijn de labels
AI kijkt bijv. ook of er een meter ligt of bijv. een drain aanwezig is. dan kijkt dus niet meer naar de aandoening zelf
wat zijn de problemen die we moeten tackelen?
- veel literatuur gebaseerd op alleen interne datasets -> dus niet generaliseerbaar in een andere ziekenhuispopulatie
- veel literatuur o.b.v. retrospectieve data -> weinig prospectieve clinical trials met AI: clinical readiness is laag
- veel methodes zijn reductionistisch, ze kunnen vaak helpen bij een subprobleem maar niet alle mogelijke afwijkingen vinden
wat zijn de goede kanten van AI o.b.v. ethiek? (ethiek verschilt per context)
- weldoen: zorg zo goed mogelijk maken
- autonomie: meer zelfstandigheid voor patiënten, empowerment
- rechtvaardigheid: schaarse middelen rechtvaardig verdelen
wat zijn minder goede kanten van AI obv ethiek?
- vals positieven
- vals negatieven
- bias: onrechtvaardig worden en dat hij dus bijv. beter bij mannen dan bij vrouwen werkt
wie is er verantwoordelijk voor fouten?
arts kijkt eerst zelf dan systeem en dan kijken wat die uiteindelijk vindt
hoe wordt omgegaan met patiënten data verzameld door of gebruikt voor AI?
gaat nu niet goed want de patiënten gegevens worden zonder toestemming naar een bedrijf doorgestuurd
