de intensivist

In de hedendaagse gezondheidszorg staan we voor enorme uitdagingen, waarbij gedacht wordt dat technologische vooruitgang, waaronder artificial intelligence (AI), een belangrijk onderdeel van de oplossing gaat worden. Om die reden worden er talloze AI-modellen ontwikkeld. In figuur 1 is de exponentiële groei van het aantal wetenschappelijke publicaties op het gebied van AI en de IC-geneeskunde duidelijk zichtbaar. Helaas komt slechts 2% van al deze ontwikkelingen daadwerkelijk aan het bed.^[1] Dit heeft onder andere te maken met het gebrek aan validatiestudies, het moeizame proces van het doorlopen van de wet- en regelgeving, en trage adoptie van deze nieuwe technologie in de kliniek. De ontwikkeling van AI-modellen die niet gebruikt gaan worden, zijn wasted resources. Het is daarom essentieel dat wij kritisch nadenken over welke AI-modellen kans van slagen zouden hebben om daadwerkelijk aan het bed te komen. Daarom zullen wij nu de ontwikkelingsstappen van een AI-model bespreken.^[2]

Stap 1: probleemdefinitie

De eerste en meest cruciale stap is het duidelijk definiëren van het probleem dat men beoogt op te lossen. Hierbij moeten vroegtijdig drie vragen worden gesteld: 1. Hoe groot is het probleem; 2. Hoeveel wordt verwacht dat een AI-oplossing gaat bijdragen aan de vermindering van dit probleem; 3. Is een AI-oplossing wel noodzakelijk voor de oplossing, of kan worden volstaan met een eenvoudigere aanpak? Een voorbeeld: er kan een AI-model worden ontwikkeld om de kans op decubitus op de IC te voorspellen. Echter, door de invoering van care bundels gefocust op vroege mobilisatie, is de incidentie van decubitus reeds drastisch afgenomen. Bovendien zou de interventie voor de preventie van decubitus precies hetzelfde zijn als wanneer er géén AI-model ontwikkeld zou worden, namelijk vroege mobilisatie. Door deze vragen vroegtijdig in het proces te stellen, kunnen nodeloze AI-ontwikkelingen worden tegengegaan.

Stap 2: dataverzameling

Data zijn de brandstof van een AI-model: zonder data geen model. Data worden uit verschillende systemen gehaald en kunnen variëren van platte tekst in patiëntendossiers tot vitale parameters, laboratoriumwaarden of beeldmateriaal. Het verzamelen van grote hoeveelheden kwalitatief hoogwaardige data is onmisbaar voor het succes van het AI-model. Daarbij is het natuurlijk essentieel dat de verzamelde data de antwoorden op de gestelde vragen zouden kunnen bevatten. In deze fase is ‘meer’ vaak ‘beter’, aangezien machine learning algoritmes goed in staat zijn om met grote datasets om te gaan.

Stap 3: data preprocessing

Data preprocessing betekent het opschonen van de ruwe dataset. Denk hierbij aan het verwijderen van dubbele registraties zoals de hartfrequentie die zowel uit de ritmestrook gehaald kan worden als uit de saturatiemeter; het adresseren van missende data door deze bijvoorbeeld te imputeren; en het adresseren van outliers. Het doel is om de dataset waarheidsgetrouw te maken. Deze preprocessing stap is veelal de meest tijdsintensieve stap en moet zorgvuldig gebeuren, idealiter met input van een clinicus.

Stap 4: modelselectie

Daarna moet een geschikt AI-model gekozen worden om de klinische vraag te kunnen beantwoorden. De keuze voor een specifiek model hangt af van het te adresseren probleem en de mate waarin uitlegbaarheid van het model noodzakelijk is. Simpele modellen zoals regressiemodellen zijn snel en begrijpelijk, maar geven vaak de minste resultaten. Complexere modellen zoals neurale netwerken, hoewel rekenintensief, kunnen prachtige resultaten opleveren, maar zijn moeilijker te interpreteren, zeker voor de clinicus. Modelselectie vereist een zorgvuldige overweging om het meest geschikte model voor de toepassing te bepalen.

Stap 5: feature selectie en dimensiereductie

Deze stap maakt het AI-model efficiënter en vaak ook beter. Het doel is om het model te simplificeren met behoud van kwaliteit. Simpel gezegd is het zo dat als AI-modellen te groot zijn, deze weer slechter worden door overfitting; wanneer ruis of toevallige fluctuaties in de trainingsdata opgepikt worden als ware patronen. Hierdoor presteren deze grote modellen slecht op nieuwe data. Simplificatie kan gedaan worden door niet alle features mee te nemen in het model, maar alleen de meest bijdragende; of door features te combineren. Een voorbeeld is door alleen body mass index mee te nemen in plaats van zowel lengte als gewicht. Dit maakt het model sneller, eenvoudiger en beter inzetbaar op ongeziene data.

Stap 6: learning

Nu moet het model getraind worden. Dit klinkt moeilijk, maar dit is veelal de snelste stap, omdat de computer het harde werk doet. De grote dataset wordt gesplitst in een trainingsset (meestal 70-80%) en een testset (meestal 20-30%). De computer gaat aan de slag om met de trainingsset zo goed mogelijk, bijvoorbeeld, de kans op overlijden op de IC te voorspellen. Hierbij wordt het model continu op de achtergrond aangepast om tot de meest nauwkeurige voorspelling te komen. Het beste model kan dan getest worden op de testset.

Na deze stap zijn de meeste modellen klaar voor publicatie in een wetenschappelijk tijdschrift. Echter is het model dan nog niet getest op eenzelfde populatie uit een ander ziekenhuis (validatie), dus weten we niet goed hoe het in de praktijk gaat werken. Ook is het model nu nog ruwe programmeercode in plaats van intuïtieve software die wij in de kliniek zouden kunnen gebruiken, en voldoet het model nog niet aan de juiste wet- en regelgeving. Deze elementen zullen later dit jaar aan bod komen als we de stappen tot succesvolle implementatie bespreken. Voor nu is het vooral van belang dat wij bewust worden van welke stappen er komen kijken bij de ontwikkeling van een AI-model om wasted resources tegen te gaan.