Met technologie worden artsen nog beter
Future Health Chat door Max Welling
Arts en computer zijn binnenkort onafscheidelijk, zo denkt Max Welling, hoogleraar Machine Learning aan de Universiteit van Amsterdam. Samen zijn ze in staat om patiënten nog betere zorg te bieden, al zullen de meeste artsen aan de nieuwe rol van de computer moeten wennen.
Het zijn interessante tijden voor wetenschappers zoals ik, die zich verdiepen in de relatie tussen mens en machine. We staan namelijk aan het begin van een tijdperk waarin machines beter presteren dan mensen. Het omslagpunt waarop machine learning en augmented intelligence breed toepasbaar zijn, is bereikt. Een reden hiervoor is dat de benodigde computerkracht er is. Sterker nog: als de ontwikkelingen zich zoals nu voortzetten, zullen er in 2025 neurale computernetwerken zijn die net zoveel verbindingen kennen als het menselijke brein. Tegelijkertijd breidt de hoeveelheid data zich dagelijks uit. Die computerkracht hebben we hard nodig om die enorme hoeveelheid data te kunnen analyseren en gebruiken.
Nuttige ontwikkeling
Computers doen ook hun intrede om artsen te ondersteunen in de zorg. Dat is een goede ontwikkeling. Mensen maken fouten. Medische fouten zijn zelfs de op twee na grootste doodsoorzaak. Computers doen het aantoonbaar beter. Zij kunnen namelijk gemakkelijk patronen herkennen, ook ingewikkelde. Mensen hebben daarmee meer moeite. Ook kunnen computers grote hoeveelheden informatie razendsnel verwerken: ze hebben een groot geheugen, zijn onvermoeibaar en consistent. Waar een computer in een dag alles over een vakgebied kan doorspitten, heeft de gemiddelde arts al moeite om een artikel per week te lezen, naast zijn drukke praktijk. Alles wijst erop dat we in een stroomversnelling terechtkomen. Er zijn nu al voorbeelden van afgebakende gebieden waarop computers het gemiddeld beter doen dan artsen. In de dermatologie zien we diepe neurale netwerken die op het niveau van een dermatoloog kunnen werken (of zelfs beter) bij herkenning van carcinomen. In de pathologie zijn bepaalde algoritmes zelfs beter in het herkennen van kanker dan een patholoog: in 89% van de gevallen had de algoritme het juist versus 73% voor de patholoog. En een zelfde beeld zien we terug in de retinopathie: de computer scoort net zo goed of beter dan de mens.
Samenwerking tussen arts en machine
Dit is nog maar het begin. Computers worden steeds beter en sneller. Artsen zullen eraan moeten wennen dat computers een steeds gewoner verschijnsel worden in de zorg. Er zal sprake zijn van een wenproces. Net als automobilisten met de zelfrijdende auto zal ook de arts aan het idee moeten wennen dat een computer iets beter kan dan hij voordat hij zich eraan over wil geven en erop durft te vertrouwen. Belangrijk is dat artsen beseffen dat computers hen in staat stellen zorg van betere kwaliteit te leveren. De computers nemen het niet over, zij vullen de arts aan. En waar artsen en computers complementair kunnen zijn, vormen zij een nog beter team.
De computers nemen het niet over, zij vullen de arts aan. En waar artsen en computers complementair kunnen zijn, vormen zij een nog beter team.”
Max Welling
Hoogleraar Machine Learning, Universiteit van Amsterdam
Belemmeringen
Voordat de computer onderdeel wordt van de dagelijkse praktijk in de zorg, moeten een aantal zaken goed geregeld worden. Zo moet er helderheid komen omtrent de rol van de computer in de zorg en zijn eenduidige standaarden voor data essentieel. Ook de toegang tot die data moet goed geregeld zijn, rekening houdend met het beschermen van de privacy van patiënten. Er bestaan al goede algoritmes waarmee je aantoonbaar veilig data kunt uitwisselen. Maar belangrijker is het dat mensen er ook vertrouwen in hebben. Voor het gewenningsproces en om vertrouwen te winnen is het noodzakelijk dat mensen de resultaten van algoritmes kunnen interpreteren en dat we de redenatie erachter kunnen begrijpen. Het moet geen ‘zwarte doos’ zijn. De algoritme moet als het ware een onderbouwing tonen waardoor we de resultaten kunnen begrijpen (en vertrouwen). Soms levert het gebruik van algoritmes namelijk resultaten op waarmee je niet zoveel kunt als arts. Het patroon is er, maar zonder aanvullende informatie heb je er niets aan. Of loop je zelfs het risico het verkeerd te interpreteren. Zo kan een algoritme tot de conclusie komen dat een patiënt met longontsteking een hogere kans heeft op overlijden, dan een patiënt met longontsteking en astma. Dat klinkt onlogisch, als je de achtergrond niet kent. Namelijk dat patiënten die astma hebben, vaak meteen een zwaardere behandeling krijgen - vanwege hun astma. Standaard voorspellingsalgoritmen kunnen dit soort niet-causale relaties niet meenemen, al zijn er wel technieken die naar dit soort causale verbanden zoeken. Daarom is het ook belangrijk om voorzichtig te zijn met het verbinden van conclusies aan resultaten.
De toekomst, dichtbij en verder weg
De machine learning van nu is gericht op ondersteuning van de mens. Een zelfdenkende computer ligt nog heel ver in de toekomst – daar hoeven we ons niet nu al zorgen over te maken. Dat is een beetje alsof je je in een brandend huis bevindt en je zorgen maakt over het feit dat je mogelijk Alzheimer zou kunnen krijgen. Het is voor nu geen prangende vraag. Andere vragen zijn dat wel, zoals privacy en de mate van adoptie van dit nieuwe hulpmiddel. En natuurlijk moeten we goed nadenken hoe we ziektes zo effectief mogelijk kunnen behandelen dankzij deze nieuwe mogelijkheden. De computer als ondersteuning van de arts is geen hype, maar een ontwikkeling die nu pas goed op gang komt. Ons leven zal namelijk steeds verder ‘besensord’ raken. Deze sensoren verzamelen allerlei data over ons en onze gezondheid en zullen ons helpen om gezond te blijven. Machine learning kan helpen om al die data te analyseren en verwerken. En omdat het verder ingebed zal raken in de apparaten om ons heen, zal het in toenemende mate een onderdeel van ons dagelijks leven worden. Mens en machine vormen van nu af aan een team.
Wie is Max Welling?
Max Welling is sinds 2013 hoogleraar Machine Learning aan de Faculteit der Natuurwetenschappen, Wiskunde en Informatica van de Universiteit van Amsterdam. Hij heeft aanstellingen bij de University of California, Irvine en het Canadian Institute for Advanced Research (CIFAR). Hij is co-founder van Scyfer BV, een universitaire spin-off gespecialiseerd in deep learning. Hij doet onder meer onderzoek naar ‘lerende systemen en hun toepassing bij de analyse van grootschalige datasets; hoe inzichten uit de neurowetenschap en de cognitieve wetenschap over menselijk leren kunnen worden ingezet voor computergestuurd leren. En hoe we machines kunnen ontwerpen die altijd blijven doorleren en de complexiteit van het interne model automatisch blijven aanpassen aan nieuwe informatie'.
Lees meer informatie op de website van de Future Health Index.
Future Health Index
Philips heeft begin 2017 in negentien landen grootschalig onderzoek laten doen onder patiënten en zorgprofessionals naar connected care. De uitkomsten van de Future Health Index vindt u hier. Philips wil met deze jaarlijks terugkerende Future Health Index de impact van e-health en connected care onderzoeken. De uitdagingen waaraan de gezondheidszorg het hoofd moet bieden zijn immers groot. Wij delen de discussie graag met een breder publiek in de vorm van Future Health Chats: een dialoog met opinieleiders over de toekomst van de Nederlandse zorg.
