Hoe kan AI helpen in de gezondheidszorg?
Het gebruik van kunstmatige intelligentie (AI) in de gezondheidszorg zorgt voor een revolutie in de manier waarop medische professionals zorg verlenen aan patiënten. Van diagnose tot behandeling, AI kan artsen en andere zorgprofessionals helpen beter geïnformeerde beslissingen te nemen, wat uiteindelijk leidt tot betere patiëntresultaten. In dit artikel onderzoekt Christos Chatzichristos enkele specifieke gevallen van AI in de gezondheidszorg en deelt zijn ideeën en gedachten over het gebruik van AI in de gezondheidszorg. Hij eindigt met een kritische conclusie, want in een gevoelig domein als de zorg, zijn de risico's niet te ontkennen.
Medische beeldvorming
Algoritmes in computer vision kunnen sinds kort zeer nauwkeurig objecten detecteren, gezichten herkennen en beelden classificeren. Dit succes in computer vision heeft zich ook naar de medische beeldvorming vertaald, waar AI gebruikt wordt om diagnoses en behandelingsplannen te verbeteren.
AI-algoritmen kunnen bijvoorbeeld medische beelden zoals röntgenfoto's, CT-scans en MRI's analyseren om afwijkingen op te sporen en te classificeren , wat radiologen helpt om meer nauwkeurige diagnoses te stellen. AI wordt ook gebruikt om voorspellende modellen te ontwikkelen voor ziekten zoals kanker, zodat een vroege detectie en een meer gepersonaliseerd behandelplan mogelijk wordt.
In een studie gepubliceerd in Nature Medicine in 2020 ontwikkelden onderzoekers een AI-systeem dat met menselijke experts kan samenwerken om huidkanker op basis van foto's van moedervlekken en laesies nauwkeurig te herkennen. Het systeem kon even goed en nauwkeurig huidkanker identificeren als dermatologen, maar in een veel sneller tempo. Vergelijkbaar ontwikkelden onderzoekers in een recente studie gepubliceerd in JAMA Oncology een AI-systeem dat borstkanker kan diagnosticeren door digitale beelden van borstweefsel te analyseren. Het systeem bereikte een vergelijkbaar niveau van nauwkeurigheid als menselijke pathologen, maar was ook hier veel sneller.
Een ander voorbeeld van AI in medische beeldvorming is de detectie van diabetische retinopathie . Deze aandoening is de belangrijkste oorzaak van blindheid bij volwassenen in de werkzame leeftijd. Het DeepMind-team van Google heeft een AI-algoritme ontwikkeld dat diabetische retinopathie met een hoge mate van nauwkeurigheid kan detecteren. Het algoritme werd op een dataset van meer dan 128.000 beelden getraind en kan de aandoening met een gevoeligheid van 90% detecteren.
AI zal in de toekomst een steeds belangrijkere rol in de medische beeldvorming spelen. Naarmate AI-algoritmen verbeteren, zullen ze medische beelden sneller en nauwkeuriger kunnen analyseren, wat de diagnose, behandelplanning en patiëntresultaten ten goede zal komen.
Belangrijkste gebieden waarin AI de gezondheidszorg verandert
Gepersonaliseerde behandeling
AI wordt ook ingezet om de behandeling van patiënten te personaliseren. Een van de uitdagingen in de gezondheidszorg is dat niet alle patiënten op dezelfde manier op de behandeling reageren. AI kan hierbij helpen door patiëntgegevens te analyseren, waaronder genetische informatie en medische geschiedenis en zo te identificeren welke behandelingen het meest effectief voor individuele patiënten kunnen zijn.
Het IBM Watson Health-team heeft bijvoorbeeld een platform ontwikkeld dat genetische gegevens kan analyseren om artsen te helpen een gepersonaliseerd behandelingsplan voor kankerpatiënten op te stellen. Het platform kan per patiënt genetische mutaties aanduiden die de kanker mogelijk meer resistent tegen een bepaalde behandeling maken, en vervolgens een alternatieve behandeling met grotere kans op effectiviteit voorstellen.
Medische chatbots zijn computerprogramma's die natural language processing gebruiken om met gebruikers te communiceren. In de zorg worden chatbots ingezet om patiënten medisch advies en begeleiding te geven . Ze kunnen met name nuttig zijn voor patiënten die niet in staat zijn om een arts persoonlijk te bezoeken, als ze bv. in afgelegen gebieden wonen of mobiliteitsproblemen hebben. Zo gebruikt de chatbot Babylon Health AI om medisch advies te geven aan patiënten. De chatbot kan patiënten vragen stellen over hun symptomen en medische geschiedenis en op basis van hun antwoorden persoonlijk advies geven. Indien nodig verbindt de chatbot patiënten met een arts voor een virtueel consult.
Zelfs in landen als België, waar de toegang tot een arts gemakkelijk is, kunnen chatbots mogelijk de last voor zorgverleners verminderen door basisinformatie en advies te verstrekken, zodat er tijd vrijkomt om zich op complexere gevallen te concentreren. Ook basisvragen in het kader van een algemene notie van gezondheidszorg die geen afspraak met een arts rechtvaardigen, kunnen hiermee opgevangen worden.
“ We mogen het bestaan van AI-tools niet gebruiken als een excuus om de kwaliteit van de gezondheidszorg of de middelen ervoor te verminderen. ”
Medicijnontwikkeling
Het ontwikkelen van nieuwe medicijnen is een complex en tijdrovend proces. AI kan het proces versnellen door potentiële kandidaat-geneesmiddelen te identificeren en door de werkzaamheid van geneesmiddelen te voorspellen, op basis van grote datasets van chemische structuren en biologische activiteit.
Aan de KU Leuven werd onlangs een AI-model ontwikkeld dat kan voorspellen welke verbindingen waarschijnlijk een interactie met specifieke eiwitdoelen in het lichaam zullen aangaan, een cruciale stap in het proces om nieuwe medicijnen te ontdekken. Het model werd op een grote dataset van bekende interacties tussen geneesmiddelen en doelwitten getraind, en de onderzoekers konden significant aantonen dat het systeem nieuwe interacties kan voorspellen.
Vergelijkbaar voorspelden onderzoekers aan de UGent de effectiviteit van medicijnen tegen multiple sclerose aan de hand van een machine learning-analyse van circulerende immuuncellen. De onderzoekers gebruikten AI om de genexpressiepatronen van immuuncellen te analyseren bij patiënten met multiple sclerose, een slopende auto-immuunziekte. Door bij deze patiënten specifieke genen die ontregeld waren op te sporen, konden de onderzoekers een mogelijk nieuw medicijndoelwit voor de ziekte aanduiden. De studie benadrukt het potentieel van AI om nieuwe inzichten in de onderliggende ziektemechanismen te ontdekken en om nieuwe medicijndoelen te identificeren die misschien niet zijn ontdekt werden via meer traditionele benaderingen.
Naarmate het veld zich blijft ontwikkelen, kunnen we meer innovatieve benaderingen en doorbraken verwachten bij de ontdekking van nieuwe medicijnen.
Monitoring en voorspellende analyses
Met machine-learning-algoritmen kunnen grote hoeveelheden patiëntgegevens geanalyseerd worden. We denken daarbij aan medische dossiers, testresultaten en patiëntgeschiedenis, maar ook gedetailleerde lange-termijngegevens die dagelijks door wearables gemeten worden. Artsen gebruiken deze informatie om patronen en trends te herkennen, die op hun beurt worden ingezet om voorspellingen voor patiënten te maken en om hun gezondheid in de loop van de tijd te volgen.
Een van de belangrijkste voordelen van AI voor voorspellende analyse en monitoring, is de mogelijkheid om patiënten met een hoog risico op bepaalde gezondheidsproblemen of complicaties te herkennen, bijvoorbeeld personen met een hoog risico op hartaandoeningen of diabetes. Met deze technologie kunnen ook interventies aanbevolen worden om de aandoeningen te voorkomen of te beheersen.
Bovendien kan AI worden gebruikt om patiënten in de loop van de tijd te monitoren, door continue gegevens en analyses te leveren, waarmee zorgverleners subtiele veranderingen in de gezondheid van een patiënt kunnen detecteren nog voordat ze significante problemen krijgen. AI kan bijvoorbeeld gegevens van wearables analyseren om veranderingen in de EEG-activiteit, de hartslag of de bewegingen van epileptische patiënten te detecteren, om zo epileptische aanvallen te herkennen. Hiermee kunnen nauwkeurige patiëntendagboeken samengesteld worden, die in de klinische besluitvorming helpen om beter geïnformeerde beslissingen over patiëntenzorg te nemen.
Daarnaast worden AI-algoritmen ook gebruikt om patiëntgegevens te doorzoeken naar mogelijke geneesmiddelinteracties of bijwerkingen of om aanbevelingen te doen voor gepersonaliseerde behandelplannen, op basis van individuele patiëntkenmerken. Ten slotte kan AI worden gebruikt om de betrokkenheid en voorlichting van de patiënt te verbeteren, door patiënten gepersonaliseerde informatie en ondersteuning te bieden die hen kan helpen hun gezondheid beter te begrijpen en te beheren. AI kan patiënten bijvoorbeeld gepersonaliseerde gezondheidsaanbevelingen geven op basis van hun individuele gezondheidsprofiel of kan patiënten educatieve middelen en ondersteuning bieden om hen te helpen bij het omgaan met chronische aandoeningen of andere gezondheidsproblemen
Brain-Computer Interface (BCI)-technologie is een innovatief en snel evoluerend domein in de gezondheidszorg. BCI maakt directe communicatie tussen de hersenen en een extern toestel mogelijk, waardoor hersenactiviteit kan worden opgevolgd en gecontroleerd. Deze technologie draagt de mogelijkheid in zich om het leven van patiënten met neurologische aandoeningen, zoals epilepsie, de ziekte van Parkinson of verlamming aanzienlijk te verbeteren. Bij patiënten die door neurologische schade de controle over hun ledematen verloren hebben, kan BCI ingezet worden om de communicatie of beweging te herstellen.
Een veelbelovende toepassing van BCI-technologie in de gezondheidszorg is de ontwikkeling van Brain-Machine Interfaces voor patiënten met verlammingen. Dergelijke interfaces stellen patiënten in staat om protheses te besturen met hun gedachten. Aan de hand van elektronen die in de hersenen van de patiënt worden ingebracht, kan het systeem de intentie van de patiënt om te bewegen detecteren en dit in bewegingen van de prothese vertalen. Deze technologie kan mogelijk de mobiliteit en onafhankelijkheid herstellen bij patiënten die hun ledematen niet meer kunnen bewegen door ruggenmergletsels. Een team van onderzoekers van de Universiteit van Pittsburgh heeft met succes een BCI-systeem geïmplanteerd bij een patiënt met quadriplegie, waardoor hij met behulp van zijn gedachten een robotarm kon besturen.
Zeer recent nog waren onderzoekers zelfs in staat om beelden van hoge kwaliteit te reconstrueren uit hersenopnames van functionele MRI-scans (fMRI), hoewel hersensignalen toch zeer complexe onderliggende representaties zijn en data-annotaties schaars zijn. Met dit onderzoek waarin visuele prikkels uit hersenopnamen gedecodeerd worden, willen we ons begrip van het menselijke zicht uitbreiden en een solide basis leggen voor het overbruggen van menselijke en computervisie. Eenvoudig gezegd: de onderzoekers slaagden erin om met behulp van AI de beelden waar een mens naar keek met hoge nauwkeurigheid te reproduceren.
Een kritische conclusie
De integratie van AI zorgt voor een revolutie in de gezondheidszorg. Van het verbeteren van de nauwkeurigheid van diagnoses tot het stroomlijnen van administratieve processen, de mogelijkheden zijn eindeloos. De voorbeelden in deze blogpost zijn slechts enkele van de vele manieren waarop AI in de gezondheidszorg wordt ingezet.
Zoals hierboven wordt uitgelegd is er een keur aan mogelijke voordelen verbonden aan AI voor de gezondheidszorg. Maar we mogen de risico's ook niet uit het oog verliezen:
- AI-systemen kunnen bestaande vooroordelen en discriminatie in stand houden, vooral als ze werden getraind op vooringenomen of onvolledige datasets. Een AI-systeem dat bijvoorbeeld getraind werd met historische gezondheidsgegevens, kan tegen bepaalde demografische gegevens bevooroordeeld zijn, en als zodanig leiden tot oneerlijke behandeling of diagnose van bepaalde groepen mensen.
- AI-systemen zijn maar zo goed als de gegevens waarop ze werden getraind en de algoritmen die ze gebruiken. Als de training of het ontwerp van een AI-systeem niet goed zit, kan het onnauwkeurige of onbetrouwbare resultaten opleveren, en dus ook tot onjuiste diagnoses of behandelingen.
- AI-systemen in de gezondheidszorg zijn vaak afhankelijk van gevoelige persoonlijke gegevens, zoals medische dossiers, die kwetsbaar kunnen zijn voor inbreuken of hacks. De privacy van persoonlijke gezondheidsinformatie kan hierdoor in gevaar komen.
- Hoewel AI-systemen veel aspecten van de gezondheidszorg kunnen automatiseren, kunnen ze het menselijk oordeel en de expertise niet vervangen . Overmatige afhankelijkheid van AI-systemen zonder adequaat menselijk toezicht leidt tot fouten of gemiste diagnoses. We mogen het bestaan van AI-tools niet gebruiken als excuus om de kwaliteit van de gezondheidszorg of de middelen ervoor te verminderen .
Het gebruik van AI in de gezondheidszorg is een relatief nieuw gebied en er zijn nog veel uitdagingen die moeten worden aangepakt, zoals het waarborgen van transparantie en verantwoording bij de ontwikkeling en inzet van AI. Niettemin zijn de potentiële voordelen van ethisch geïmplementeerde AI te groot om te negeren. Naarmate de AI-technologie zich verder ontwikkelt, kunnen we alleen maar meer innovatieve medische toepassingen van deze krachtige tool verwachten.
[1] Tschandl, P., Rinner, C., Apalla, Z., Argenziano, G., Codella, N., Halpern, A., ... & Kittler, H. (2020). Human–computer collaboration for skin cancer recognition. Nature Medicine, 26(8), 1229-1234.
[2] Ting, D. S., Cheung, C. Y., Lim, G., Tan, G. S., Quang, N. D., Gan, A., ... & Wong, T. Y. (2017). Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA, 318(22), 2211-2223.
[3] Babylon Health. (n.d.). How it works.
[4] Coughlin, S. S. (2019). Health chatbots for medical advice: Design, implementation, and evaluation. Journal of Medical Systems, 43(8), 239.
[5] Ehteshami Bejnordi, B., Veta, M., Johannes van Diest, P., van Ginneken, B., Karssemeijer, N., Litjens, G., & Hermsen, M. (2021). Development and validation of a deep learning system for histopathologic diagnosis of breast cancer. JAMA Oncology, 7(3), 331-339.
[6] Chatzichristos, C., Swinnen, L., Macea, J., Bhagubai, M., Van Paesschen, W., De Vos, M. (2022). Multimodal detection of typical absence seizures in home environment with wearable electrodes. Frontiers in Signal Processing, 2, Art.No. 1014700. doi: 10.3389/Frsip.2022.1014700
[7] Wodlinger, B., Downey, J. E., Tyler-Kabara, E. C., Schwartz, A. B., Boninger, M. L., & Collinger, J. L. (2014). Ten-dimensional anthropomorphic arm control in a human brain–machine interface: difficulties, solutions, and limitations. Journal of neural engineering, 12(1), 016011.
[8] Chen, Z., Qing, J. , Xiang T. , Yue W. and Zhou, J. H. (2022). Seeing Beyond the Brain: Conditional Diffusion Model with Sparse Masked Modeling for Vision Decoding.
Christos Chatzichristos
Ik ben Christos Chatzichristos, momenteel postdoctoraal onderzoeker aan de KU Leuven. Mijn studieloopbaan draait rond elektrotechniek en informatica, met een specialisatie in biomedische toepassingen en de nadruk op signaalverwerking tijdens mijn master- en doctoraatsstudies. Tijdens mijn doctoraat was ik getuige van de diepgaande impact van neurale netwerken op het gebied van signaalverwerking, wat het begin betekende van mijn intrede in het domein van AI-toepassingen. Ik geloof sterk in het bevorderen van brede interdisciplinaire samenwerking, omdat ik geloof dat onderzoek vandaag de dag niet kan gedijen in isolatie binnen één domein. Kunstmatige intelligentie is een krachtig hulpmiddel om onderzoek in de gezondheidszorg te versnellen. Maar om het potentieel ervan echt te benutten, moeten we de kloof overbruggen door professionals in de gezondheidszorg te helpen bij het begrijpen van fundamentele AI-concepten, net zoals ze biomedische ingenieurs helpen bij het ontrafelen van de mysteries van het menselijk lichaam. Dus op naar het gebruik van AI om het onderzoek in de gezondheidszorg te versnellen en er tegelijkertijd voor te zorgen dat we allemaal dezelfde taal spreken - of dat nu de taal van de algoritmen of de taal van de anatomie is!
Gerelateerde opleidingen
RCR: Clinical Radiology AI Blended Learning Programme
Course - Online - The Royal College of Radiologists
AI voor Beginners - ChatGPT en co slim en verantwoord inzetten in je dagelijkse werk
Opleiding - Antwerpen - Thomas More Hogeschool, Syntra AB