Waarom AI maar niet doorbreekt in de geneeskunde

Algoritmes? Neurale netwerken? Wat heeft dit in godsnaam met geneeskunde te maken?! Artificiële intelligentie of kortweg AI heeft de laatste jaren razendsnel aan populariteit gewonnen. Algoritmes en de toepassingen hiervoor sijpelen binnen in alle facetten van de maatschappij. Ook in de geneeskunde wordt de technologie de hemel in geprezen. Er worden gigantische verwachtingen gecreëerd, maar de beloofde baanbrekende ontwikkelingen blijven uit. Dreigt de gezondheidszorg de boot van artificiële intelligentie te missen?  

Algoritmes voor beginners

Data, data en nog eens data. Het antwoord is eenvoudig, doch zo complex. Artificiële intelligentie kan niet bestaan zonder data. Een algoritme komt tot stand door de analyse en herkenning van bepaalde patronen tijdens verschillende trainingsfases. Uiteindelijk zal het algoritme zichzelf een eigen werkwijze aanleren. Echter moet hier een belangrijke kanttekening bij gemaakt worden. De kwaliteit van de resultaten die het algoritme zal leveren is volledig afhankelijk van de kwaliteit van de data waar het algoritme mee getraind heeft. Het “Garbage in, garbage out” principe is een welgekende zegswijze in de informaticawereld en wijst erop dat een software-systeem of programma maar zo goed kan zijn als de data waar de software mee gebouwd is. Een ruime en kwalitatieve dataset is dus figuurlijk (en ook wel letterlijk) goud waard! Dit is zeker het geval in de gezondheidszorg, waar slechte of foute resultaten nefaste gevolgen kunnen hebben indien er ondoordacht met data wordt omgesprongen.

Een adequaat algoritme uit de grond stampen is dus zeker geen sinecure. Een algoritme gemaakt aan de hand van data uit één specifiek ziekenhuis om hersenbloedingen op CT-scan snel te kunnen detecteren? Proficiat, maar je algoritme zal enkel bruikbaar zijn in dat specifiek ziekenhuis op die specifieke patiëntenpopulatie waarvan de data afkomstig zijn. Meerdere datasets gebruikt uit verschillende ziekenhuizen? Al een stuk beter, maar hopelijk gebruiken ze geen ander type scanner in het volgende ziekenhuis want op dat soort data heeft je algoritme niet getraind. Een goed, robuust en breed inzetbaar algoritme kan dus enkel bestaan als het gebouwd is aan de hand van voldoende relevante, diverse data van hoge kwaliteit en in voldoende aantallen.

“O data, where art thou?”

“Hoe moeilijk kan het dan zijn om de juiste data te vinden? Mijn data zitten toch overal? Ik accepteer toch altijd alle cookies?” Klopt. Je data zitten overal, maar tegelijk ook nergens. Het datalandschap zoals het vandaag bestaat is zeer versnipperd. Dit geldt zowel voor de locatie, als voor de wijze waarop de data opgeslagen worden. 

Naar schatting kan 80% van al onze medische data die verzameld zijn, niet beschikbaar worden gemaakt om deze later te (her)gebruiken. Deze data zitten vaak ongestructureerd opgeslagen in de servers van de ziekenhuizen en zitten als het ware vast achter slot en grendel. In België of Vlaanderen bestaat er momenteel nog geen centrale databank waar alle data van patiënten te vinden zijn. Het opslaan van data wordt vandaag de dag gezien als een zware last en verplichting in plaats van een opportuniteit.

Een ander probleem is dat veel ziekenhuizen vaak nog niet ‘data-ready’ zijn. Ziekenhuisadministraties zijn log en hebben schrik van verandering. Ze hanteren vaak verschillende softwaresystemen, waardoor er nog geen gestandaardiseerde manier bestaat waarop data verzameld en opgeslagen worden. Het vergaren van data doet elke  gezondheidsinstantie op zijn eigen wijze waardoor het format waarin data opgeslagen worden niet uniform is.

GDP- wat??

Binnen de EU wordt het delen van data, waaronder ook medische data, bewaakt door het alziend oog van de GDPR. De General Data Protection Regulation of GDPR is de meest vergaande wetgeving inzake databeheer ter wereld! Dankzij deze strenge regelgeving vrijwaren we onze privacy zo goed als mogelijk en houden we controle over wie onze data mag gebruiken. Om gezondheidsdata te kunnen delen met elkaar, dienen dan ook aan strenge voorwaarden voldaan te worden! Anonimisatie van de data lijkt hierbij een absolute must… Maar blijkt dit überhaupt wel nog mogelijk? Aan de hand van 3D-technologie en - u raadt het - Artificiële Intelligentie kunnen volledige gezichtsreconstructies gemaakt worden uit radiologische beelden, wat de identiteit van de patiënt compleet onthult. Heden ten dage blijkt de GDPR een tweesnijdend zwaard, waarbij het delen van data veelal sterk bemoeilijkt wordt.

Een ontwikkelaar van algoritmes heeft dus voorlopig geen andere keuze dan aan te kloppen bij elk ziekenhuis afzonderlijk en daar telkens opnieuw door een hele resem van administratieve en juridische hoepels te springen om zijn gezochte data te bemachtigen. Een titanenwerk, waarbij het verkrijgen van de toestemming om zijn geliefkoosde data te gebruiken, nog maar het begin van de lijdensweg betekent voor de ontwikkelaar.

In een notendop

In deze thesis geven we een genuanceerd en compleet beeld over de verdeeldheid in het datalandschap binnen de gezondheidszorg. De wijze waarop ons huidige databeleid georganiseerd is, zet een rem op de groei van revolutionaire technieken en dreigt een achilleshiel te worden in een toekomst waar software programma’s en computers almaar belangrijker worden. Veranderingen dienen op systematische wijze doorgevoerd te worden om dit te beletten, bewustwording van het probleem is een eerste belangrijke stap.