HC.8 - AI in de zorg Flashcards
Wat zijn vier redenen voor AI in de zorg?
- Patronen herkennen obv veel data en daarmee de zorg verbeteren
- Digitalisering van de maatschappij en de zorg
–> Digitaal toegankelijk: EPD (= elektronisch patiëntendossier)
–> Steeds meer data - Computers steeds sneller
- Computer is beter in repetitieve taken en reproduceerbaarder
Welke vier specialismen kunnen goed gebruik maken van AI?
- pathologie
- oogheelkunde
- radiologie
- chirurgie
Op welke domeinen kan AI worden ingezet?
- preventie door leefstijlverbetering
- preventie door vroege opsporing
- Diagnostiek
- behandeladvies
- monitoring
Hoe werkt de skinvision app>
- foto’s van afwijkingen aanbieden met zo veel mogelijk variatie (soort, kwaliteit, belichting, locatie, huidtypes, etc)
- Gesuperviseerd leren: met oordeel van patholoog = Label eraan koppelen
- Machine learning: kenmerken afleiden uit het beeld
- Deep learning: hele beeld aanbieden en zelf niet over nadenken
Wat bedoelen we met generaliseerbaarheid?
= hoe goed werkt het model voor data die hij nog niet gezien heeft
Dus niet alleen jouw dataset, maar ook van nieuwe patienten
Wat zijn drie mogelijkheden qua generaliseerbaarheid?
- overfitting: sterk inlezen waardoor enkel goed op jouw data en niet op andere data
- Underfittng: nergens goed in
- Balanced: redelijk goed op nieuwe data
Wat doen we om te testen hoe goed het model werkt?
Test setje apart houden (20-30% van de data)
Kan maar 1 keer gebruiken als nieuwe test set
Hoe evalueren we de performance van het model?
Specificiteit versus sensitiviteit
Wat is cruciaal voor een goed model?
alle soorten huidafwijkingen die willen herkennen moeten in dataset zitten
- kwaliteit: zowel van dermatoscoop als telefoon
- Omstandigheden
- alle mogelijke huidtypes moeten in testset zitten (donker, behaard, tatoeages)
Zit er informatie in het beeld dat kan aanduiden tot het (terecht of onterecht) tot een bepaalde klasse behoord
Voor welke bias moeten we opletten? Hoe proberen we dit te voorkomen?
Selectie bias: data moet de populatie waarvoor de tool bedoeld is zo goed mogelijk representeren
- Verschillende soorten camera’s
- Verschillende soorten huidtypes
- Verschillende bevolkingsgroepen
- Verschillende laesies
- Verschillende vorm/grootte van laesies
- Betrouwbaarheid labels
Wat zijn 5 problemen waar tegenaan wordt gelopen bij AI in de zorg?
- Veel iteratuur is gebaseerd op enkel interne datasets
- eerst testen op externe dataset want niet zomaar generaliseerbaar voor andere ziekenhuispopulatie - Veel literaal gebaseerd op enkel retrospectieve data
- weinig clinical trials met AI - inbedding in praktijk en opleiding is lastig
- Reductionistische benadering
- werkt goed voor subproblemen dus herkennen van pneumonie op X-thorax, maar kijkt niet naar andere mogelijke afwijkingen
- spanningsveld tussen wat fabrikant wil en wat kliniek wil
- veel methodes zijn gebaseerd op een klein deel van de klinische data - Uitlegbaarheid van de AI tools –> waarom komt het tot dit oordeel
Wat geeft de beste applicaties?
Co-creatie: patient, zorgverlener en datawetenschapper
Waar moet het altijd aan voldoen?
Wetgeving: AVG
MDR = medical device regulation
Wat is een probleem qua verantwoordelijkheid?
Eindverantwoordelijk ligt bij arts dus liever niet bij algoritme leggen
Wie is verantwoordelijk voor fouten bij fout algoritme?
–> Wetgeving loopt hier deels nog achter de feiten aan
Arts blijft eindverantwoordelijk bij inzetten AI
Goede kennis van voor-en nadelen en risico’s nodig
- Patiënt goed informeren
Als AI beter presteert dan arts: plicht om het in te zetten?
Hoe verloopt vaak het proces van een nieuwe tool?
Hype-cycle:
- Begint met hype –> denken dat alles gaat oplossen
- Desillusie
- Uiteindelijk tot plateau van productiviteit met functioneren
