De medische wereld beschikt over veel kennis en leert snel bij over het menselijk lichaam. Toch is het vaak complex om de vele variabelen die iets zeggen over iemands gezondheid en toestand correct te interpreteren. Deze gegevens moeten vervolgens worden omgezet in bruikbare en reproduceerbare inzichten. In deze blog vertellen we hoe AI en machine learning worden ingezet om van ruwe data tot bruikbare inzichten te komen—met als doel betere uitkomsten voor patiënten en zorgverleners.
Waarde Halen uit Data met Modelontwikkeling (Machine Learning)
Inzichten uit data worden verkregen met behulp van een model. Zo’n model kun je zien als een beslisboom met vele vertakkingen, waarbij de vertakkingen worden bepaald op basis van data en leiden tot een voorspelling. Het model wordt gevormd door te leren van historische gegevens—de takken van de boom zijn dus niet handmatig geprogrammeerd.
Machine learning is een onderdeel van kunstmatige intelligentie (AI), waarbij computersystemen worden ontwikkeld die kunnen leren van data en zichzelf verbeteren zonder expliciete programmering. In plaats van vaste instructies te volgen, herkennen deze systemen patronen in data en gebruiken die om voorspellingen te doen of beslissingen te nemen.
Van Beslisboom naar Voorspellingen
Voorspellingen komen voort uit de beslisboom. Een voorbeeld: het effect van een bepaald geneesmiddel kan verschillen tussen patiëntengroepen met verschillende combinaties van hartslag en bloeddruk. Deze verbanden vormen de basis van de beslisboom, die vervolgens wordt gebruikt om toekomstige patiënten te helpen. Door bij een nieuwe patiënt de hartslag en bloeddruk te meten, kun je via de vertakkingen van de boom voorspellen wat het waarschijnlijke effect van het middel zal zijn. Zo kan de zorgverlener beter anticiperen.
Nauwkeurigheid en Prestaties Verbeteren
De nauwkeurigheid van een model wordt getest op zowel historische als nieuwe gegevens. Dit levert een prestatie-indicator op, namelijk de Area Under the Curve (AUC). Deze metric geeft aan hoe goed het model voorspellingen doet: hoe hoger de AUC, hoe beter het model in staat is correcte voorspellingen te maken.
Betere Zorg en Processen Door Inzichten: een praktijkvoorbeeld uit een Nederlands ziekenhuis
Een zorgvuldig ontwikkeld medisch model kan helpen om risico’s tijdig te signaleren en te vertalen naar passende zorg voor specifieke patiënten. Een voorbeeld van besluitondersteuning waarin Pacmed een rol speelde:
In een Nederlands ziekenhuis lag een patiënt met een ernstige infectie op de intensive care (IC). De patiënt leek stabiel, en de arts overwoog ontslag van de IC. Maar het AI-besluitondersteuningssysteem van Pacmed gaf een hoog risico aan op heropname of overlijden. De zorgverlener besloot de patiënt op de IC te houden. Diezelfde nacht moest de patiënt opnieuw aan de beademing worden gelegd. Als dit was gebeurd op de verpleegafdeling, was een (spoed)heropname op de IC nodig geweest—een scenario dat nadelig is voor zowel de patiënt als het zorgproces.
Waarop te Letten bij het Ontwikkelen en Toepassen van AI-Modellen
Zo creëren we krachtige modellen die de zorg en zorgprocessen ondersteunen! Maar zorg is van levensbelang. Het is daarom cruciaal dat het functioneren van AI-modellen strikt wordt gemonitord.
In de volgende blogpost bespreken we de risico’s van AI in de zorg. Lees verder in: AI Basics: AI-Risico’s en Oplossingen.
.png)
