Hoe de rol van de arts in de digitale wereld verandert
Donderdag 27 oktober was de aftrap van het nieuwe seizoen ahti Connect over ‘De digitale dokter: AI versus IQ’. De wereld van de zorg is volop in beweging. Met de komst van technologieën als artificial intelligence en machine learning, is de discussie over veranderende en verdwijnende beroepen actueler dan ooit.
In een snel veranderende wereld zullen ook artsen zichzelf opnieuw moeten uitvinden om de beste zorg aan hun patiënten te kunnen leveren. Gaan we in de toekomst nog wel naar de huisarts of krijgen we advies van de computer?
Wouter Kroese, mede-oprichter van Pacmed, en Bert-Jan van den Born, cardioloog Amsterdam UMC, schetsen hun visie op de zorg van morgen.
Algoritmes in de medische praktijk: AI én IQ, plus EQ
Volgens cardioloog en hoogleraar Bert-Jan van den Born zijn AI en IQ complementair aan elkaar. De dokter van de toekomst blijft nog wel dokteren, maar zal daarbij steeds meer een beroep doen op de rekenkracht en patroonherkenning van computers.
Juist de voorspelbaarheid van computers kan ook een nadeel zijn. Waar mensen soms onverwachte verbanden leggen die tot briljante ingevingen leiden, kunnen computers dat niet. Daarnaast is de complexiteit en context-afhankelijkheid van klinisch redeneren niet zo gemakkelijk vervangbaar door een algoritme wegens een gebrek aan empathisch vermogen.
De interactie tussen patiënt en arts is nu eenmaal niet te reduceren tot enkel medische feiten. Ook de voorgeschiedenis en leefsituatie van de patiënt spelen een cruciale rol bij het stellen van een juiste diagnose. Als arts moet je in staat zijn om je in te leven in de patiënt. Met andere woorden, het EQ is hierin bepalend, niet zozeer het IQ.
In de medische praktijk van vandaag wordt al veelvuldig gewerkt met algoritmes om tot een uniforme aanpak te komen bij het stellen van diagnoses en de mogelijk daaropvolgende behandeling. Op deze wijze wordt de variabiliteit verminderd en gestandaardiseerd, wat de communicatie tussen arts en patiënt vergemakkelijkt.
Te denken valt aan bijvoorbeeld de Body Mass Index (BMI), welke een zeer goede voorspeller is gebleken voor hart- en vaatziekten. Samen met risicofactoren als leeftijd, geslacht, roken, bloeddruk en stolling, vormen zij de besliscriteria in de veelgebruikte beslisbomen in protocollen. De input van data is in dit geval afkomstig van Nivel, het Lifelines cohort en het Helius cohort.
De zorg preciezer en persoonlijker
Startup Pacmed is in 2015 opgericht om de zorg persoonlijker én preciezer te maken door beslissingsondersteunende software voor artsen, gebaseerd op de analyse van anonieme routinezorggegevens, te ontwikkelen. In klassiek medisch onderzoek wordt een hypothese gevormd en getoetst op basis van een onderzoekspopulatie. Om die reden wordt de behandelkeuze bepaald door de gemiddelde patiënt, die niet bestaat.
Het behandelprotocol wordt gebaseerd op basis van de kennis en kunde van arts en onderzoek, maar dus nooit op individuele basis. Daarom maakt Pacmed gebruik van geaggregeerde patiëntgegevens om zo nauwkeurig mogelijk te voorspellen wat de beste behandeling voor elke patiënt is. Het datamodel wordt als het ware gevoed met steeds meer gegevens over vergelijkbare patiënten, waardoor het steeds betere voorspellingen kan doen.
Dat is prettig voor de patiënt die daardoor de best passende behandeling krijgt. Ook het ziekenhuis en de zorgverzekeraar hebben hier baat bij. Door effectievere en efficiëntere zorg kunnen de zorgkosten worden verlaagd.
Hoe werkt dit in de praktijk? Juist de combinatie van machine learning en medische expertise zorgt ervoor dat Pacmed in staat is om op het moment van besluitvorming de verwachte uitkomsten van verschillende behandelingen voor de individuele patiënt aan de arts te tonen.
De uiteindelijke verantwoordelijkheid en de behandelkeuze blijft bij de behandelend arts. Voorzichtigheid en zorgvuldigheid zijn geboden om de accuraatheid van machine learning modellen te toetsen zonder daarbij de veiligheid van de patiënt in gevaar te brengen.
De arts als herder van de kudde
Dat machine learning een steeds grotere rol speelt, is een gegeven. Hoe we ons daar als patiënt of medisch professional toe moeten verhouden, zal de grootste uitdaging worden.
Ten eerste is de denkwijze van artsen een belemmering voor innovatie in algemene zin. Het aloude meester-gezel model is sterk geworteld in het medische veld. Nieuwe kennis wordt veelal overgenomen van de gevestigde orde van professoren en nauwelijks in twijfel getrokken. Een andere mindset is nodig: het besef dat we niet allés weten en faalbaar zijn.
Ten tweede heerst er koudwatervrees. Met de kennis van nu is het moeilijk inschatten hoeveel ruimte voor verbetering er nu eigenlijk is met de inzet van machine learning. Een stapsgewijze aanpak is nodig om machine learning goed te begrijpen voordat we een volgende stap zetten. Sensitiviteit en specificiteit blijft ingewikkeld, met name bij zeldzame ziekten, waar je makkelijk op misgrijpt.
Het vak van de arts gaat veranderen. Dat staat vast. Machine learning kan de arts ondersteunen bij diagnosestelling, niet vervangen. Met simpele vragen komt er door machine learning al een vrij nauwkeurige diagnose uit. De arts kan vervolgens meer de rol op zich nemen als ‘herder van de kudde’, die zijn of haar patiënten leidt door de overvloed aan informatie die op hen afkomt, door middel van continu contact.
Save the date!
De volgende ahti Connect vindt plaats op donderdag 29 november en zal gaan over data in het sociaal domein. Duco Stuurman en Levi van Dam zullen een presentatie geven over dit onderwerp. Meer informatie volgt snel. Meld je aan voor de nieuwsbrief om op de hoogte te blijven van ahti Connect en andere activiteiten.