De mogelijkheden van artificial intelligence (AI) zijn in de gezondheidszorg veelbelovender dan in veel andere sectoren. Deze mogelijkheden variëren van de verbetering van de zorg aan patiënten en de resultaten daarvan tot de uitbreiding van medische expertise en kostenverlaging.
Tot op heden heeft de inzet van AI in de gezondheidszorg echter nog maar weinig teweeggebracht als je nagaat wat er in de toekomst allemaal mogelijk zal zijn. De zorgsector loopt op het gebied van AI-adoptie achter op andere sectoren. Dat komt met name door issues rondom dataprivacy, budgetrestricties en toegang.
Drie prominente toepassingen voor AI in de gezondheidszorg zijn de technologieën medische beeldvorming, digitale pathologie en genomica. Het gebruik van AI bij deze technologieën heeft niet alleen geleid tot snellere en nauwkeurige diagnoses, maar heeft het ook mogelijk gemaakt om veelvoorkomende ziektes, zoals borstkanker, vroeger op te sporen. Hoewel deze technologieën in principe onafhankelijk zijn, worden ze vaak gecombineerd als onderdeel van een uitgebreide diagnostische workflow. Zo leidt medische beeldvorming tot een biopsie, en het onderzoek van de biopsieresultaten door een patholoog leidt tot een genomisch onderzoek. Dit onderzoek wordt vervolgens gebruikt om een behandelingsplan op te stellen, dat is afgestemd op het genoom van de patiënt of op specifieke genetische kenmerken.
Medische beeldvorming
Medische beeldvorming staat als discipline onder flinke druk. Patiënten worden ouder en krijgen steeds vaker te maken met aandoeningen die vragen om scans, maar het aantal radiologen neemt af. Veel landen hebben een tekort aan radiologen, met name op het platteland. In de derde wereld is het gebrek aan radiologische expertise zelfs een wijdverspreid probleem.
Hoewel de inzet van AI in de medische-beeldvormingsworkflow belangrijk is voor de algehele ontwikkeling van het veld, is het het gebruik van AI voor analyse en diagnose – door computers ondersteunde diagnose – dat de meeste aandacht trekt. Er worden deep learning-modellen ontwikkeld voor uiteenlopende aandoeningen, die de snelheid en nauwkeurigheid van een analyse vergroten en vroege opsporing van ziektes mogelijk maken. Die modellen worden momenteel toegepast in de opsporing van longknobbeltjes, hersenkanker, multiple sclerose, borstkanker en prostaatkanker.
Digitale pathologie
Pathologen hebben te maken met een vergelijkbare situatie als hun collega’s in medische beeldvorming: de vraag naar pathologische diensten stijgt sneller dan het aantal pathologen. Dit betekent dat pathologielaboratoria efficiënter te werk moeten gaan, zodat ze meer gevallen kunnen behandelen in minder tijd.
In traditionele pathologie worden objectglaasjes geprepareerd van monsters van patiëntweefsel, waarna ze door een patholoog onder een microscoop worden beoordeeld. Dit handmatige proces is foutgevoelig en tijdrovend, met name als de patholoog ook nog overleg moet plegen met een externe expert.
Hoewel computerpathologie op veel vlakken te vergelijken is met AI in medische beeldvorming, is er een aantal grote verschillen. Als het op de ‘volwassenheid’ van AI aankomt, loopt digitale pathologie over het algemeen een paar jaar achter op medische beeldvorming. Dat kan deels komen doordat pathologie relatief traag is in haar digitalisering. In medische beeldvorming zorgde digitalisering duidelijk voor kostenverlaging en een verbeterde workflowefficiëntie. Echter, digitale pathologie voegt de digitale technologie toe aan bestaande fysieke processen, dus zijn de kostenvoordelen minder duidelijk.
Genomica
De belangrijkste uitdagingen van genomica zijn het uitpluizen van grote bergen menselijke sequentiedata en ontdekken welke verschillen van belang zijn. Welke genvarianten, of combinaties van genen, dragen bij aan verschillende medische aandoeningen? En hoe gebruik je genomische informatie om de behandeling van een patiënt te personaliseren?
Datamanagement is een veel grotere uitdaging in genomica dan in medische beeldvorming of digitale pathologie. Doordat de sequentieresultaten van één individu al 1 TB in beslag kunnen nemen, zorgt een volledige genoomsequentie voor datamanagementuitdagingen op zowel onderzoeks- als klinisch gebied. Hoewel de bestandsformaten in genomica gestandaardiseerd zijn, is er geen equivalent voor een picture archiving and communication system (PACS) of vendor neutral archive (VNA) voor het beheer van sequentiedata.
Dit whitepaper onderzoekt tot in detail de uitdagingen in elk van deze toepassingen, bespreekt de kritische rol van data en beschrijft mogelijke oplossingen voor het voldoen aan computing- en datastorage-eisen.
