W13 HC.8 AI in de zorg

Question 1

Waarom AI in de zorg?

Answer 1

• Patronen herkennen obv veel data en daarmee zorg verbeteren
• Digitalisering van de maatschappij en zorg
  -> Digitaal toegankelijk: EPD
  -> Steeds meer data
• Computers steeds sneller
• Computer is beter in repetitieve taken en reproduceerbaarder.

Question 2

AI is in te zetten voor verschillende zorgdomeinen en doelgroepen:

Answer 2

Domeinen:
- Preventie: leefstijlverbetering + vroege opsporing
- Diagnostiek
- Behandeladvies
- Monitoring

Doelgroepen:
- Hele populatie
- Risicogroepen
- Patient
- Laboranten
- Verpleegkundigen
- Artsen
- Managers
- etc.

Question 3

Hoe werkt AI met bijv. Skinvision?

Answer 3

Gesuperviseerd leren
- Veel voorbeelden met een label
- Label: oordeel patholoog
Machine learning: kenmerken afleiden uit het beeld
Deep learning: hele beeld aanbieden

Question 4

Machine learning vs Deep learning?

Answer 4

Machine learning:
Input -> feature extraction -> classification -> output
Deep learning:
Input -> feature extraction + classification -> output

Question 5

Om de generaliseerbaarheid te testen deel je de originele data in twee delen:

Answer 5

• Training data (ook weer onder te verdelen in training data en validation data)
• Testing data

Question 6

Kwaliteit trainingsdata is curciaal:

Answer 6

• Invloed camera kwaliteit: dermascoop, mobiel?
• Omstandigheden voor afwijkingen vergelijkbaar?
• Zijn alle mogelijke afwijkingen, huidtypes gedekt

Question 7

Oppassen voor bias

Answer 7

Belangrijke vragen
- Met welk doel zijn de data verzameld
- Hoe zijn de data verzameld
- Wat is de bron van de data
- Hoe betrouwbaar zijn de labels

Question 8

PACMED: AI met als doel voorspellen wanneer een patient ontslagen kan worden van de IC. Beoogd gevolg:

Answer 8

• Kortere ligduur
• Minder heropnames op IC

Question 9

Problemen om te tackelen:

Answer 9

• Veel literatuur gebaseerd op alleen interne datasets (dus niet generaliseerbaar naar ander ziekenhuispopulatie)
• Veel literatuur op basis van retrospectieve data (weinig prospectieve clinical trials met AI: groep met app en groep door dermatologen bijvoorbeeld: clinical readiness is laag)
• Reductionistische benadering: veel methodes kunnen helpen bij een subprobleem (bv. wel/niet pneumonie op x-thorax), maar kunnen niet alle mogelijke afwijkingen op x-thorax herkennen
  -> Methodes gebaseerd op maar een deel van de klinische data
• Uitlegbaarheid van AI-tools: waarom komt tool tot dit oordeel?
• Inbedding: in praktijk en opleiding

Question 10

Hype-cyle (fases van enthousiasme bij een nieuw idee)

Answer 10

• Technology trigger
• Peak of inflated expectations
• Trough of disillusionment
• Slope of enlightenment
• Plateau of productivity (balans)

Question 11

Verantwoordelijkheid & aansprakelijkheid:

Answer 11

Wie is verantwoordelijk voor fouten?
- Wetgeving loopt hier deels nog achter de feiten aan
Verantwoordelijkheid van de arts:
- 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?