Onze analyse hoe AI in de medische sector opgeschaald kan worden door eerst te focussen op de basis infrastructuur
Toepassingen van machine learning en kunstmatige intelligentie in het zorgdomein nemen gestaag toe. Het zorgdomein biedt tal van spannende toepassingen voor AI, variërend van patiëntgerichte use-cases tot operationele processen. In deze blogpost proberen we een analyse te maken van de huidige staat van het machine learning en artificial intelligence landschap in de zorgsector. Het doel van deze blog is om een helder overzicht te krijgen van de trends en ontwikkelingen in dit boeiende vakgebied en tegelijkertijd kritisch te kijken naar deze trends en ontwikkelingen. We richten onze aandacht vooral op de stand van zaken van toegepaste AI in ziekenhuizen. In deze blogpost zullen we onze visie en gedachten delen op basis van de opgebouwde ervaring die we hebben op het gebied van het bruikbaar en schaalbaar ontwikkelen van AI toepassingen. Helaas kunnen we niet alle belangrijke onderwerpen delen in een enkele blogpost, dus we hebben ons proberen te focussen op de punten waarvan wij denken dat die het meest relevant zijn. We hebben onze uiterste best gedaan om de onderwerpen en trends te identificeren die zorgvuldige overwegingen vergen voordat machine learning en kunstmatige intelligentie op grote schaal kan worden toegepast in ziekenhuizen.
Afgelopen jaar hadden we het geluk om, ondanks Covid-19, met artsen en medische professionals te praten. We hadden deskundige discussies met vele van hen over de adoptie van kunstmatige intelligentie en machine learning door Nederlandse ziekenhuizen. Al na een paar gesprekken kwam de erkenning dat de adoptie van AI door Nederlandse ziekenhuizen nog niet echt van de grond is gekomen. Dit is niet verwonderlijk aangezien het toepassen van AI in het zorgdomein met grote zorgvuldigheid moet gebeuren en de adoptie van AI in de zorg gepaard gaat met zeer strikte regels in vergelijking met andere sectoren. Veel medische professionals vertelden ons dat ze graag meer zouden willen weten over de manier waarop AI hen kan helpen bij het beter behandelen en diagnosticeren van hun patiënten. Daarentegen vertelden zij ons over het algemeen ook dat zij niet zij niet de urgente noodzaak voelen om AI in hun werk toe te passen. Bovendien moesten velen van hen ook toegeven dat ze eigenlijk geen idee hebben hoe AI werkt en welke problemen het voor hen en hun patiënten zou kunnen oplossen. Veel medische professionals die we spraken geloofden dat AI eigenlijk meer iets van de toekomst was dan een technologie die hen dagelijks enorm zou kunnen helpen. Deze bevindingen waren niet verrassend of schokkend voor ons. Ze gaven ons juist zeer bruikbare inzichten in het huidige adoptie niveau van AI in de medische sector. Deze gesprekken maakten ons duidelijk dat het huidige adoptie niveau van AI in het zorgdomein zich nog in de verkennende fase bevindt. Uiteraard verschilt de mate van adoptie ook tussen ziekenhuizen. Grote academische ziekenhuizen experimenteren al om machine learning en kunstmatige intelligentie modellen in de klinische praktijk te krijgen, maar over het algemeen is het werkelijke acceptatieniveau nog steeds erg laag. Gespecialiseerde cursussen en trainingsprogramma's voor medische professionals die de basis van kunstmatige intelligentie en machine learning uitleggen zouden het kennis niveau van deze medische professionals kunnen vergroten. Door de kennis bij medische professionals over AI te vergroten zijn zij sneller in staat om interessante use cases te ontdekken voor het oplossen van medische problemen door AI. Aangezien deze medische professionals in de eerste lijn staan bij het behandelen en diagnosticeren van patiënten zijn ze cruciaal voor het bedenken en het zien van bruikbare AI-use cases in ziekenhuizen. Het opleiden en het geven van cursussen die de basis van AI uitleggen aan bijvoorbeeld artsen zou het aantal de toepassingen van AI in Nederlandse ziekenhuizen echt vooruit kunnen helpen. Zolang bij medische professionals een gebrek aan AI kennis blijft bestaan zullen veel bruikbare en waardevolle use cases worden gemist.
Een ander probleem die wij waarnemen is dat aan de ene kant het aantal wetenschappelijke papers die machine learning en deep learning-modellen toepassen op medische problemen exponentieel stijgt maar aan de andere kant slechts een verwaarloosbaar kleine hoeveelheid van deze modellen hun weg vinden naar de klinische praktijk. Natuurlijk is dit ook te wijten aan het feit dat sommige modellen niet over de noodzakelijke kwaliteitsnormen beschikken om bruikbaar te zijn in de klinische praktijk, maar de kleine fractie van mogelijke bruikbare modellen die hun weg vinden naar de klinische praktijk geeft ruimte tot nadenken. Dit brengt ons terug bij het eerste punt dat wij maakten, veel artsen weten gewoonweg niet wat AI voor hen en hun patiënten kan betekenen. Daarom is het erg belangrijk om medische professionals AI onderwijs aan te bieden zonder de hooggespannen verwachtingen dat ze vloeiend moeten worden in het lezen van wetenschappelijke papers over kunstmatige intelligentie onderzoek. Aangezien deze papers vol staan met technische termen die buiten de kennis van medische professionals liggen. We moeten eerder een oplossing vinden in de vorm van een trainingsprogramma waarin ze leren over de basis principes van AI of in de vorm van digitale leerplatformen die alle use cases van AI die relevant zijn voor hun specialisatie op een duidelijke niet-technische manier presenteren en bundelen. Deze suggesties kunnen bijdragen aan meer kennis bij zorgprofessionals en een snellere adoptie van AI in het zorgdomein.
Beginnen met de basis infrastructuur
Constaterend dat toegepaste AI in de medische sector zich nog in de verkennende fase bevindt, geeft ook flexibiliteit om het vanaf het begin goed te doen. De afgelopen jaren hebben wij werk gedaan voor klanten die geen solide infrastructuur hadden om hun AI-adoptie op te schalen. In het begin zal je hier weinig van merken maar des te meer je de AI toepassingen in je organisatie gaat schalen des te meer je in de problemen komt. Daarom dringen wij er op aan om vanaf het begin echt zorgvuldige afwegingen te maken over de AI-infrastructuur. Wij hebben enkele punten gezien die eerst moeten worden aangepakt voordat AI in ziekenhuizen kunnen worden opgeschaald. Dit zijn de belangrijkste punten om rekening mee te houden om een solide basis te leggen voor het toepassen en opschalen van AI in de medische wereld:
AI infrastructuur: D.I.Y or go for the cloud
De discussie over het zelf aanleggen en onderhouden van een technische infrastructuur enerzijds of het volledig overstappen naar de cloud anderzijds is altijd een bron van grote discussie. Tegenstanders van het adopteren van een volledige cloudinfrastructuur wijzen op de privacyproblemen die een volledig op de cloud gebaseerde strategie kan hebben, waarbij voorstanders vooral de voordelen prediken die cloudadoptie heeft. Wij zijn veel meer voorstander van volledige cloudadoptie, vooral voor AI toepassingen. Naar onze mening kan je niet om cloudplatforms heen als je echt een solide en kosten effectieve AI-infrastructuur wilt bouwen en schalen. Wij maken als Smart AI Solutions regelmatig gebruik van het Google AI-platform en nog steeds staan we versteld van het totale spectrum aan AI-diensten die Google aanbiedt. Het is gewoonweg absoluut niet haalbaar dat ziekenhuizen of zorgorganisaties zelf het spectrum aan AI-diensten creëren en onderhouden die Google of andere cloudproviders zoals AWS of Microsoft hebben ontwikkeld. De services van Google variëren bijvoorbeeld van snelle experimentservices zoals notebooks tot geavanceerde machine learning en AI-pipelines gebouwd met Kubeflow. Cloud platformen maken gegevensopslag, gegevenstransformaties, modeltraining, gegevensvalidatie en het bedienen van modellen zeer eenvoudig en consistent. Bovendien is er de mogelijkheid om veel kant-en-klare algoritmen te gebruiken die uw modelontwikkeling versnellen, zoals Bayesiaanse hyperparameter-optimalisatieprocedures om de optimale hyperparameters van uw modellen te vinden. Google is ook de maker van de populaire deep learning- en machine learning-bibliotheek Tensorflow, die goed geïntegreerd is met de services die ze aanbieden. En last but not least kan je gebruik maken van de beste hardware om je machine learning en deep learning-modellen op te trainen. Je kan je modellen trainen op GPU's of TPU's van de beste hardwarefabrikanten zoals NVDIA. Een onderwerp dat steeds problematischer kan worden, is de huidige staat van de EPD-systemen. EPD-systemen zijn nooit ontwikkeld om te functioneren als een oplossing voor gegevensopslag voor machine learning en deep learning-modellen. Ze zijn ontwikkeld om medische gegevens op te slaan. Aangezien EPD-systemen nog steeds de meest kritische bron van medische gegevens zijn, kan je ook niet om deze EPD-systemen heen. Het schalen van AI-oplossingen in ziekenhuizen, die gebruik moeten maken van EPD-systemen om de benodigde realtime input data te extraheren, verhoogt de load op deze EPD-systemen. Wanneer complexe tabel-joins of query's moeten worden uitgevoerd om medische gegevens in realtime bloot te stellen aan machine learning en kunstmatige-intelligentiemodellen voor het maken van voorspellingen, wordt dit een serieus probleem: de adoptie en schaalbaarheid van AI toepassingen zal afhankelijk worden van de schaalbaarheid van je EPD-systeem. De enige manier om dit probleem te vermijden is door een massale gegevensoverdracht uit te voeren naar dezelfde cloud waarop uw AI-infrastructuur draait, of door een realtime zeer schaalbare datastore te creëren waarin er een copy van de medische gegevens staan, bij voorkeur in het formaat van een enorme feature store. Maar dit is iets wat we niet snel zien gebeuren, dus we denken dat zorgorganisaties in de nabije toekomst afhankelijk zullen blijven van deze EPD-systemen. Zorgorganisaties moeten deze zorgen bespreken met de aanbieders van hun EPD-systemen. EPD-aanbieders moeten werk maken van het schaalbaar maken van hun systemen voor het vergroten van de toekomstige belasting door AI toepassingen. Dit is cruciaal voor de AI-adoptie in bijvoorbeeld ziekenhuizen.
AI-ontwikkeling: derde partijen, interne data science- en software-engineeringteams of een combinatie van beide
De reikwijdte van AI is potentieel zo groot dat ziekenhuizen niet in staat zullen zijn om de volledige schaal en het potentieel van AI-adoptie te bereiken zonder samen te werken met derde partijen. Het kost veel tijd om een AI model van het eerste initiële idee naar productie te brengen. Als je elk jaar meerdere modellen in productie wilt nemen, heb je al een enorm data science en software-engineering team nodig. Zorgorganisaties moeten daarom een zorgvuldige afweging maken welke use cases zij willen uitbesteden en welke use cases zij in eigen beheer willen ontwikkelen. Om lock-in door derde partijen te voorkomen, kan je als zorgorganisatie bijvoorbeeld zelf een cloud AI-infrastructuur opzetten en derde partijen dwingen om de machine learning-code en pipelines zo in te richten dat de code en pipelines op je eigen infrastructuur kunnen draaien. Op deze manier kan lock-in worden voorkomen en kunnen samenwerkingsverbanden worden beëindigd wanneer afspraken niet worden nagekomen. We raden zorgorganisaties in ieder geval aan om een centraal modelarchief te ontwikkelen of te onderhouden.
Zorgorganisaties zoals ziekenhuizen moeten ook oppassen dat ze niet meerdere keren dezelfde componenten ontwikkelen, gelijkend op het don't repeat yourself mantra in software engineering. AI modellen kunnen ook componenten delen met elkaar. Als je met meerdere derde partijen samen werkt en ze allemaal afzonderlijk dezelfde componenten ontwikkelen, zou dit een verspilling van middelen zijn. Deze componenten kunnen zowel inherent zijn aan uw modellen, pipelines als aan andere onderdelen van uw infrastructuur.
Deel platforms voor AI en het bouwen van fundamentele algoritmen boven alles
Dit is iets waar we erg enthousiast over zijn. Sommige fundamentele algoritmen worden door data scientisten gebruikt voordat ze echt een model ontwikkelen. Veel van deze fundamentele algoritmen worden gebruikt in de fase van gegevensvoorbereiding en gegevenstransformatie voor het ontwikkelen van een model. Voorbeelden van deze fundamentele algoritmen gaan over data-augmentaties en -transformaties die op uw data moeten worden toegepast. In veel gevallen zijn er niet genoeg medische gegevens om een algoritme op te trainen. Als oplossing hiervoor kun je bijvoorbeeld generatieve algoritmen gebruiken om je data aan te vullen. Het embedden van woorden is een ander voorbeeld. Voordat je natuurlijke taal kunt gebruiken als input voor een machine learning- of AI-model, moet je natuurlijke taal transformeren naar woordembeddings. Het maken van bruikbare woordembeddings is een omvangrijk project op zich. Het is verstandig om woord embeddings te laten ontwikkelen door een gespecialiseerd team of een derde partij die zich op dit probleem richt. Door deze woordembeddings vervolgens open te stellen voor derde partijen of interne teams die werken aan machine learning-modellen met behulp van tekstuele gegevens, hoeven deze teams of derde partijen deze woordembeddings niet meer zelf te maken. Dit scheelt een hoop extra werk en dus kosten. We kunnen nog veel meer fundamentele algoritmen opsommen om de omvang van het belang ervan aan te tonen, maar we denken dat we ons punt duidelijk hebben gemaakt. Zorgorganisaties zoals ziekenhuizen die AI willen gebruiken, moeten zich eerst concentreren op deze fundamentele algoritmen om AI op een kosteneffectieve manier verstandig op te schalen. Dit is erg belangrijk en we hopen dat zorgorganisaties de voordelen zullen inzien van het focussen op deze fundamentele algoritmen. In het begin moet je middelen investeren in het maken en trainen van deze modellen, maar op de lange termijn zal dit veel werk en kapitaal besparen.
Naast de focus op deze fundamentele modellen, denken we dat een platform waarmee verschillende ziekenhuizen kunnen samenwerken aan machine learning-modellen ook van enorme waarde kan zijn. Er zijn eigenlijk twee manieren om zo'n deelplatform te benaderen. De eerste is dat zorgorganisaties hun data delen en bundelen en vervolgens collectief betalen voor modelontwikkeling. Maar dit zal in praktijk snel onhandelbaar worden, door alle taken die op elkaar afgestemd moeten worden door verschillende partijen.
Liever zouden we kiezen voor een ander bekend machine learning principe: transfer learning. Transfer learning maakt het mogelijk om een voorgetraind model te trainen op je eigen data. Een ziekenhuis zou bijvoorbeeld een machine learning-model kunnen ontwikkelen dat is getraind op hun eigen EPD-gegevens. Via een gedeeld modelplatform kunnen zij dit voorgetrainde model delen met andere ziekenhuizen die dit voorgetrainde model kunnen gebruiken als basis model, om het vervolgens door te trainen op hun eigen EPD data. Je kunt dit voorgetrainde model van een ander ziekenhuis gebruiken om de trainingstijd van dit model voor je eigen organisatie exponentieel op te schalen dan wanneer je zou beginnen met een niet-voorgetraind model. Ook blijken modellen die op deze manier getraind worden in praktijk vaak betere generaliseerbare voorspellingen te maken, wat een extra groot voordeel oplevert. Veel particuliere bedrijven gebruiken waarschijnlijk vooraf getrainde modellen in combinatie met technieken voor gegevensvergroting om het gebrek aan gegevens dat ze hebben te compenseren. Wij denken dat het ontwikkelen van een platform dat het delen van modellen tussen zorgorganisaties mogelijk maakt, grote voordelen zou opleveren voor alle zorgorganisaties die aan een dergelijk platform deelnemen. Bovendien zou dit platform modellen bruikbaar kunnen maken voor kleinere ziekenhuizen die niet de middelen hebben om zelf modellen te ontwikkelen.
Concluderend kan worden gesteld dat de adoptie van AI in het zorgdomein interessante en zeer waardevolle mogelijkheden biedt, maar er moeten zorgvuldige afwegingen worden gemaakt over de AI-infrastructuur, modelontwikkeling en fundamentele concepten die de basis vormen voor het opschalen en toepassen van AI in het zorgdomein. We zijn erg enthousiast over de voordelen die AI kan hebben voor patiënten en zorgorganisaties, maar het is van belang om eerst op de basis te focussen, anders lopen zorgorganisaties het risico later in de problemen te komen. Nu de kosten voor de gezondheidszorg in veel ontwikkelde landen al explosief stijgen, moeten we voorkomen dat AI een bijdrage levert aan het verhogen van de uitgaven voor de gezondheidszorg, in plaats van het te verlagen. We hopen dat deze blogpost medische professionals zal helpen om zorgvuldige afwegingen te maken over het toepassen van AI. Hopelijk draagt deze blogpost een klein beetje bij aan een beter begrip bij artsen over de uitdagingen die we eerst moeten oplossen voordat we AI in de gezondheidszorg kunnen schalen.