Welkom bij ‘de’ dokter Staan we aan de vooravond van een doorbraak met AI in de gezondheidszorg?

De arts van de toekomst is geen radioloog, internist of huisarts. De kans is groot dat een patiënt straks naar ‘de’ dokter gaat: een generalist die door een legioen aan slimme AI-algoritmen wordt bijgestaan. Voor het zover is, moeten er natuurlijk heel wat hobbels worden genomen. Hoe ver zijn we al met het integreren van AI in de gezondheidszorg en hoe realiseren we de grote doorbraak? Een gesprek met Henkjan Huisman, hoogleraar medische beeldvorming en kunstmatige intelligentie, en abdominaal radioloog John Hermans, beiden verbonden aan het Radboudumc.

 Dat AI een steeds grotere rol gaat spelen in de zorg, staat voor Huisman buiten kijf. “Een van de grootste uitdagingen in de gezondheidszorg is het personeelstekort. Bovendien komen er steeds meer taken bij die óók nog complexer zijn. De houdbaarheid van de zorg staat daardoor onder enorme druk. Als AI kan ondersteunen bij die taken ontstaat duidelijk  toegevoegde waarde. En als de kwaliteit van AI op een gegeven moment zó goed is, kan een taak misschien wel worden overgenomen door een algoritme.”

Op dit moment wordt slechts een beperkt aantal algoritmes in de klinische praktijk toegepast. Hoewel er veel wordt gespeculeerd en gepubliceerd over revolutionaire doorbraken, blijken de claims in de meeste gevallen nog flinterdun. Huisman: “Wie deep learning-technologie wil toepassen, heeft ontzettend veel data nodig. Dat kost jaren aan voorwerk. De algoritmes die in de afgelopen jaren zijn ontwikkeld, zijn in de meeste gevallen nog niet goed genoeg. Pas recent zien we de technologie in een stroomversnelling komen.” 

Een voorbeeld van een succesvolle AI-toepassing is Screenpoint Medical. Deze startup op de campus in Nijmegen ontwikkelde een algoritme voor borstkankeronderzoek. Het resultaat: er is één radioloog minder nodig tijdens het uitvoeren van een mammografie én er worden per 1.000 patiënten niet vijf, maar zes mensen met kanker gediagnosticeerd. Bijkomend voordeel is dat zo’n algoritme kan helpen om de werkdruk van radiologen te verminderen. Huisman: “Maar om zo’n kwalitatief sterk algoritme te ontwikkelen, zijn een miljoen mammogrammen gebruikt. Dat heeft jaren gekost.”

Een ander belangrijk voorbeeld is het internationale project PANCAIM, geleid vanuit het Raboudumc onder coördinatie van Huisman en Hermans. De doelstelling van PANCAIM is om alvleesklierkanker eerder te detecteren, zodat er sneller met de behandeling kan worden gestart. Hermans: “Ook willen we hiermee beter kunnen voorspellen hoe iemand reageert op een bepaald soort therapie en wat de kans is op overleving. Het unieke van dit project is dat het om een multimodale toepassing gaat: we koppelen genetische, pathologische én medisch beeldvormende informatie aan elkaar.” Huisman vult aan: “We hebben een aantal AI-ontwikkelaars, clinici en samenwerkingspartijen aan boord om hier samen een succes van te maken. Zo ondersteunt Siemens Healthineers ons bij de implementatie. Het algoritme draait nu al in een aantal ziekenhuizen, waaronder het Radboudumc.”

Het sneller ontsluiten van de benodigde hoeveelheden data is een belangrijke uitdaging bij het ontwikkelen van een algoritme. “Clinici en ziekenhuizen hanteren nu vaak het uitgangspunt dat zij ‘eigenaar’ zijn van data. Die mindset moet veranderen, wil je het potentieel van deep learning echt benutten.”

“Daar komt bij dat data-uitwisseling in de Nederlandse wet onlogisch is geregeld”, vult collega John Hermans aan. “De wetgeving zou deze uitwisseling juist moeten faciliteren. Nu worden belangrijke ontwikkelingen op het gebied van AI, waar onze gezondheidszorg bij gebaat is, juist beperkt. Willen we belangrijke patronen ontdekken, dan moeten ziekenhuizen in binnen- en buitenland gebruik kunnen maken van elkaars data en samenwerken. Dat is een enorme uitdaging.” 

En áls het lukt om een kwalitatief goed algoritme neer te zetten, is de volgende uitdaging om het in een ziekenhuis te laten draaien. “Implementatie in de kliniek is de moeilijkste fase”, aldus Hermans. “Dat begint al bij de apparatuur. Want een algoritme draait niet zomaar op een gewone computer. Bovendien zijn de omstandigheden in elk ziekenhuis anders. Dat maakt het valideren van een AI-toepassing heel moeilijk. Je moet dit soort technologieën eigenlijk gecoördineerd testen bij verschillende ziekenhuizen. Dat vraagt om een andere manier van samenwerken. En je hebt een partner nodig, zoals Siemens Healthineers, die het mogelijkheid maakt om AI te koppelen aan de infrastructuur van een ziekenhuis.” 

Algoritmes moeten vervolgens nauwlettend in de gaten worden gehouden. Hermans: “De klinische betrouwbaarheid moet continu worden gemonitord. Een commissie, bestaande uit een team van ‘superspecialisten’, zou de verantwoordelijkheid daarover moeten krijgen. Daarnaast moet het gebruik van algoritmes worden geïntegreerd in richtlijnen en protocollen. Daar zouden de huidige richtlijnencommissies een rol in kunnen spelen. Niet door één keer in de vijf jaar bij elkaar te komen, maar door antwoord te bieden op de behoefte om continu up-to-date te zijn en nieuwe ontwikkelingen sneller te integreren in het zorglandschap.”

Een hobbel van een heel andere orde is het feit dat AI door sommige zorgprofessionals nog als bedreiging wordt gezien. Zij geloven niet in de kracht van technologie of hebben angst om zelf overbodig te worden. Hermans ziet dat anders: “Ik ben er juist van overtuigd dat je overbodig wordt door niet actief deel te nemen. Zie het als een elastiek: aan de voorkant rekt het steeds verder uit met mensen die ongelooflijk snel ontwikkelen en innovaties omarmen, waardoor het op een gegeven moment knapt. De groep aan de achterkant, die de impact van AI niet ziet, raken we dan kwijt.”

Om AI volledig te integreren in de gezondheidszorg is een andere mindset dan ook essentieel. “We hebben onszelf altijd superieur gesteld aan de techniek, maar is dat wel terecht? Vroeger was techniek misschien meer een soort hulpmiddel, tegenwoordig vervangt het een stuk van je hersenen. Deep learning maakt een kopie van je brein, die – met voldoende betrouwbare data – sneller en zelfs beter werkt. Daar hoeven we niet bang voor te zijn, maar we moeten dit wel accepteren. Want als we dat doen, kunnen we – op den duur – de gezondheidszorg verbeteren. Door ziekten eerder te detecteren, de beste behandelmethoden te bepalen en de effecten daarvan nog nauwkeuriger te voorspellen.”