AI-aangedreven voorspellingsmodellen staan op het punt de gezondheidszorg in een enorme sprong vooruit te brengen

Het doel van AI is om machines in staat te stellen menselijke gedachten en gedrag na te bootsen, inclusief leren, redeneren en voorspellen. Het hart van deze inspanning is AI‑gebaseerde modellering, die dient als de basis voor het creëren van geautomatiseerde en intelligente systemen.

Om dergelijke modellen te bouwen, wordt een verscheidenheid aan technieken gebruikt, die cruciaal zijn voor het creëren van slimme systemen die toepasbaar zijn in diverse sectoren, waaronder financiën, gezondheidszorg, landbouw, cyberbeveiliging en meer.

De ontwikkeling van deze modellen maakt vaak gebruik van verschillende soorten analytics — beschrijvend, diagnostisch, voorspellend en voorschrijvend — afhankelijk van de aard van het probleem en de vereisten voor de oplossing.

Vandaag richten we ons op voorspellende analytics, die data onderzoekt om te voorspellen wat er in de toekomst zal gebeuren. Door enorme hoeveelheden data te gebruiken, interpreteert het model herkenbare patronen, wat nauwkeurige voorspellingen mogelijk maakt en helpt weloverwogen beslissingen te nemen. 

Klik hier om alles te leren over investeren in kunstmatige intelligentie.

Het ongeëvenaarde vermogen van AI om trends te herkennen

AI heeft dit ongeëvenaarde vermogen om trends binnen een reeks variabelen te herkennen. Dit komt doordat de technologie, in tegenstelling tot mensen, enorme hoeveelheden data snel kan verwerken, vervolgens patronen en trends kan identificeren en kan bepalen wat het allemaal betekent. 

Het is via machine‑learning‑algoritmen dat een AI‑model zijn taak uitvoert, namelijk het voorspellen van de output op basis van de aangeleverde data.

Bij het analyseren van een trend worden meestal door de werking van het menselijk brein geïnspireerde neurale netwerken gebruikt vanwege hun vermogen om te leren en zich aan te passen. Andere machine‑learning‑algoritmen die cruciaal zijn voor trendanalyse zijn Support Vector Machines (SVM), die data in verschillende klassen categoriseren, en Random Forests, die meerdere beslisbomen samenvoegen tot krachtige voorspellende modellen. Een Bayesian network is een ander voorbeeld dat probabilistische grafische modellen gebruikt om de statistische afhankelijkheden tussen een reeks variabelen weer te geven.

In de gezondheidszorg maakt het benutten van deze machine‑learning‑algoritmen om AI‑aangedreven voorspellingsmodellen te bouwen mogelijk betere en meer op maat gemaakte individuele zorg- en behandelplannen.  

Hiervoor doorzoekt AI diverse gezondheidszorgdata om opkomende trends in ziekteprogressie te presenteren. Dit stelt medische professionals in staat om proactief gezondheidsproblemen aan te pakken en behandelingsstrategieën aan te passen, waardoor de patiëntenzorg wordt hervormd.

Het potentieel van AI’s vermogen om patronen in de gezondheidszorg te detecteren

Laten we nu kijken naar het daadwerkelijke gebruik van het vermogen van technologie om trends binnen een reeks variabelen te herkennen.

AI‑bewakingstool om sepsis te detecteren vóór het optreden van symptomen

In een recente studie ontdekten onderzoekers dat ze sepsisinfecties bij hoogrisicopatiënten succesvol kunnen voorspellen en levens kunnen redden door gebruik te maken van een nieuw AI‑algoritme. 

Sepsis is een belangrijke oorzaak van sterfte en morbiditeit wereldwijd. Bij deze aandoening reageert het immuunsysteem van het lichaam extreem op een infectie, waardoor schade ontstaat aan eigen weefsels en organen.

In de VS ontwikkelen elk jaar minstens 1,7 miljoen volwassenen sepsis, en ongeveer 350.000 sterven aan deze levensbedreigende bloedinfectie. Wereldwijd worden naar schatting jaarlijks 48,9 miljoen mensen getroffen, waarvan ongeveer 11 miljoen sterven.

Echter, onderzoekers van de University of California San Diego School of Medicine staan klaar om deze cijfers te veranderen door AI in te zetten.

Volgens de studie, gepubliceerd in de online editie van Digital Medicine, ontwikkelden onderzoekers een AI‑algoritme genaamd COMPOSER. Het maakt gebruik van realtime data om van tevoren te bepalen of de patiënt de aandoening heeft, nog voordat de klinische tekenen zich manifesteren, door “stil en veilig achter de schermen” te werken. 

Het model controleert continu elke patiënt op tekenen van sepsis, merkte medeauteur van de studie, Gabriel Wardi, MD, hoofd van de Divisie Critical Care in de UC San Diego (UCSD) afdeling Spoedeisende Geneeskunde, op.

Vroegtijdige herkenning van sepsis is cruciaal, omdat interventies meer voordelen opleveren wanneer ze eerder in het ziekteverloop worden toegepast.

Het model werd gebruikt op de spoedeisende afdelingen van UC San Diego Health, het enige academische medisch systeem in de regio, om patiënten met risico op sepsisinfectie te identificeren en heeft de sterfte met 17 % verminderd. 

De werkwijze is dat nadat een patiënt zich heeft aangemeld op de spoedeisende afdeling, COMPOSER meer dan 150 verschillende patiëntvariabelen gaat monitoren die gekoppeld kunnen zijn aan sepsis. Deze variabelen omvatten demografische gegevens, medische geschiedenis, vitale functies en laboratoriumresultaten. 

Als bij een patiënt meerdere variabelen worden gevonden die wijzen op een hoog risico op sepsisinfectie, meldt het algoritme dit aan het verpleegkundig personeel via het elektronische patiëntendossier van het ziekenhuis. Het personeel bespreekt dit vervolgens met de arts voor bevestiging en om passende behandelplannen voor de patiënt te bepalen. 

“Deze geavanceerde AI‑algoritmen kunnen patronen detecteren die aanvankelijk niet duidelijk zijn voor het menselijk oog.” 

– Shamim Nemati, Ph.D., medeauteur van de studie & directeur van voorspellende analytics en universitair hoofddocent biomedische informatica aan de UC San Diego School of Medicine

Hij voegde ook toe:

“Het systeem kan naar deze risicofactoren kijken en een zeer nauwkeurige voorspelling van sepsis genereren.”

De studie, die werd gefinancierd door de National Institutes of Health, de National Library of Medicine en het Joan and Irwin Jacobs Center for Health Innovation aan UC San Diego Health, onderzocht meer dan 6.200 patiëntopnames vóór en na de inzet van het AI‑algoritme op de spoedeisende afdelingen van het ziekenhuis.

Het is de eerste studie die een AI deep‑learning model gebruikte en een verbetering in patiëntresultaten rapporteerde. Het model maakt gebruik van kunstmatige neurale netwerken om complexe en meerdere risicofactoren bij patiënten nauwkeurig en veilig te identificeren. Wardi zei:

“Het is dankzij dit AI‑model dat onze teams levensreddende therapie sneller aan patiënten kunnen bieden.”

COMPOSER werd voor het eerst geactiveerd meer dan een jaar geleden, in december 2022. Het wordt momenteel gebruikt in veel ziekenhuisafdelingen binnen UC San Diego Health, en in de toekomst zal het UC San Diego Health East Campus ook gaan gebruiken.

Recentelijk kondigde het Health Care Center zijn eerste chief health AI officer aan. Het heeft ook een pilot gelanceerd waarbij cloud‑gebaseerde elektronische patiëntendossiersystemen Epic en ChatGPT automatisch meer empathische berichtreacties opstellen zodat artsen en zorgverleners zich kunnen concentreren op de patiëntenzorg. 

“Integratie van AI‑technologie in het elektronische patiëntendossier helpt de belofte van digitale gezondheid waar te maken.” 

– Christopher Longhurst, medeauteur van de studie & uitvoerend directeur van het Jacobs Center for Health Innovation en chief medical officer en chief digital officer bij UC San Diego Health

Software om genomische data te analyseren en ziekten nauwkeurig te voorspellen

Een ander voorbeeld van AI‑aangedreven voorspellingsmodellen die de gezondheidszorgsector helpen, is te zien in een studie die vorige week werd gepubliceerd. Ontwikkeld bij Rutgers Health, combineert de unieke software genaamd IntelliGenes AI en machine learning om ziekten bij individuen te voorspellen. Het model onderzoekt genomische data om gezondheidsgerelateerde biomarkers te vinden, om zo gepersonaliseerde patiëntvoorspellingen te produceren, evenals een visuele weergave daarvan.

Multigenomische data geeft inzicht in de inherente genetische opmaak van een patiënt en heeft het potentieel om nieuwe biomarkers te ontdekken op basis van hun ziekte‑risico. De studie merkte op:

“Wij geloven dat het synergistische gebruik van meerdere AI‑algoritmen nauwkeurigere resultaten oplevert, inzichtelijke conclusies trekt en precieze voorspellingen over problemen uit de echte wereld maakt, vergeleken met een enkel AI‑algoritme op zichzelf.”

Verder bleek dat de Support Vector Machine (SVM) en Random Forest (RF) de meest succesvolle machine‑learning‑algoritmen zijn die worden gebruikt om voorspellingen met hoge precisie te maken en de problemen van regressie en classificatie op te lossen. 

Momenteel zijn er geen AI‑tools beschikbaar om het volledige menselijk genoom te onderzoeken en te interpreteren, met name voor personen die geen experts op dit gebied zijn. Daarom ontwikkelden de onderzoekers IntelliGenes, dat door iedereen kan worden gebruikt, inclusief degenen die weinig kennis hebben van bio‑informatica technieken of geen toegang hebben tot krachtige computers. 

Door een combinatie van machine‑learning‑algoritmen te gebruiken, streven de onderzoekers van Rutgers Health ernaar informatie te onthullen die doorgaans onopgemerkt blijft door klassieke statistiek en traditionele bio‑informatica technieken.

De onderzoekers pasten IntelliGenes vervolgens toe in een andere studie om nieuwe biomarkers te ontdekken en hart‑ en vaatziekten (CVD’s) met hoge nauwkeurigheid te voorspellen.

Het juiste gebruik van AI‑ en ML‑methodologieën kan ons, volgens de studie, nieuwe inzichten en begrip van cardiovasculaire ziekten bieden. Dit zal op zijn beurt betere gepersonaliseerde behandelingen mogelijk maken.

De studie begon met een grondige pre‑processing van genexpressiedata en maakte vervolgens gebruik van drie statistische tests om de verschillen in transcriptomische (studie van de volledige set RNA) expressie en de verschillen tussen klinische kenmerken van CVD‑patiënten en die van gezonde individuen te evalueren.

In hun onderzoek ontdekte het team 18 transcriptomische biomarkers die zeer significant zijn in de CVD‑populatie. Deze werden vervolgens gebruikt om ziekten te voorspellen met een nauwkeurigheid tot 96 %. Deze resultaten werden ook geverifieerd met klinische dossiers van patiënten uit de cohort.

“Er is enorm potentieel in de convergentie van datasets en de verbluffende ontwikkelingen in kunstmatige intelligentie en machine learning.” 

– Zeeshan Ahmed, hoofdauteur van de studie. Ahmed is docent aan het Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) en assistent‑professor geneeskunde aan de Robert Wood Johnson Medical School

Volgens hem ondersteunt het model niet alleen gepersonaliseerde vroege detectie van zowel veelvoorkomende als zeldzame ziekten bij individuen, maar opent het ook de deuren naar breder onderzoek dat uiteindelijk zal leiden tot nieuwe interventies en behandelingen.

AI is nog geen perfecte oplossing!

Zoals we hebben gezien, hebben AI‑aangedreven modellen aanzienlijke voordelen in de gezondheidszorg. Ze hebben het vermogen om ziekten vroegtijdig met hoge nauwkeurigheid te detecteren en vele levens te redden. Echter, het is nog niet de ultieme oplossing, althans nog niet. Dit blijkt uit een studie die eerder deze maand werd gepubliceerd en aantoonde dat wanneer AI in de echte wereld wordt toegepast, er fouten optreden.

Vroeger deze maand gepubliceerd in het tijdschrift Modern Pathology, is deze studie de eerste die onderzoekt hoe contaminatie in weefsel de leer‑modellen van AI beïnvloedt.

In deze studie trainden onderzoekers drie AI‑modellen om microscopische dia’s van placentawijzer te analyseren, met taken zoals het identificeren van schade aan bloedvaten, het schatten van de zwangerschapsduur en het classificeren van macroscopen laesies. Daarnaast werd een vierde model getraind om prostaatkanker te detecteren in weefselmonsters van naaldbiopsieën.

Om hun robuustheid te testen, blootstelden de onderzoekers elk model vervolgens aan kleine porties contaminantweefsel — zoals bloed en blaasweefsel — willekeurig genomen van andere dia’s. Deze stap was bedoeld om de realistische omstandigheden na te bootsen waarin contaminanten vaak aanwezig zijn.

Bij het evalueren van de prestaties van de AI‑modellen bleek dat alle vier modellen hun aandacht afleidden naar de weefsel‑contaminanten in plaats van zich te concentreren op hun primaire taken. Deze afleiding leidde tot onnauwkeurigheden bij het bepalen van de zwangerschapsduur, het diagnosticeren van prostaatkanker, het identificeren van laesies en het beoordelen van schade aan bloedvaten. Dit komt doordat AI’s een verscheidenheid aan materialen in de echte wereld tegenkomen waarvoor ze niet getraind zijn, in tegenstelling tot de schone gesimuleerde omgevingen waarin ze getraind worden.

“Onze bevindingen herinneren eraan dat AI die in het laboratorium ongelooflijk goed werkt, in de echte wereld kan falen. Patiënten moeten blijven verwachten dat een menselijke expert de uiteindelijke beslissing neemt over diagnoses die op biopsieën en andere weefselmonsters zijn gemaakt. Pathologen vrezen — en AI‑bedrijven hopen — dat de computers onze banen komen overnemen. Nog niet.”

– Mede‑auteur Dr. Jeffery Goldstein

Niet alleen voor AI, maar ook voor pathologen die uitgebreid getraind zijn om hetzelfde te detecteren, is weefsel‑contaminatie een vrij veelvoorkomend probleem. De studie wijst echter erop dat artsen en onderzoekers die geen pathologen zijn, vaak zelfs verbaasd zijn hierover. Er werd opgemerkt dat op een gegeven dag, van de 80 tot 100 dia’s die dagelijks door een patholoog worden gescand, 2‑3 dia’s contaminanten bevatten, die ze getraind zijn te negeren.

Volgens de studie presteren AI‑modellen op een vergelijkbare manier, net zoals mensen weefsels op dia’s onderzoeken. Bij het onderzoeken van weefsels op dia’s kunnen mensen slechts een beperkt gezichtsveld binnen de microscoop bekijken en vervolgens naar een nieuw gebied gaan en alle verzamelde informatie combineren om een diagnose te stellen.

Echter, AI bleek gemakkelijk misleid te worden door contaminanten, omdat het moest beslissen waar het aandacht aan besteedt en wat niet. “Dat is een zero‑sum spel,” zei Goldstein, directeur van perinatale pathologie en assistent‑professor perinatale pathologie en autopsie aan de onderzoekintensieve Feinberg School of Medicine, Northwestern University, terwijl hij uitlegde:

“Als het aandacht besteedt aan weefsel‑contaminanten, dan besteedt het minder aandacht aan het weefsel van de patiënt dat wordt onderzocht.”

Volgens de auteurs van de studie zouden beoefenaars moeten werken aan het kwantificeren en verbeteren van het probleem dat AI‑modellen niet in staat zijn biologische onzuiverheden te coderen.

Echter, de resultaten hebben Goldstein “vertrouwen gegeven dat AI‑evaluaties van de placenta haalbaar zijn,” waarbij hij de belemmering van AI een “hobbeltje” noemt. Het betekent simpelweg: “We zijn op weg naar een betere integratie van machine learning in de pathologie,” voegde hij toe.

Bedrijven die kunnen profiteren van AI‑aangedreven voorspellingsmodellen

Met AI‑modellen die veelbelovend zijn, laten we nu zien welke bedrijven er het meest van kunnen profiteren:

1. Google DeepMind

Het is een dochteronderneming van de techgigant Google die zich richt op het oplossen van intelligentie om “wetenschap vooruit te helpen en de mensheid te bevoordelen.” 

Onlangs onthulden onderzoekers van Google DeepMind dat ze een AI‑assistent voor artsen hebben ontwikkeld, genaamd Articulate Medical Intelligence Explorer (AMIE), die kan helpen bij het diagnosticeren van patiënten. Een ander artikel van de organisatie stelde WARM voor om reward hacking in LLM’s aan te pakken.

Met een aandelenkoers van $152,59, een stijging van 8,94 % jaar‑tot‑datum, heeft Google (GOOGL) op het moment van schrijven een marktkapitalisatie van $1,9 biljoen. Het bedrijf rapporteerde een omzet (TTM) van $297 miljard en een EPS (TTM) van 5,21 en een P/E (TTM) van 29,19.

2. Siemens Healthineers

Het toonaangevende zorgbedrijf heeft ingezet op AI om de gezondheidszorgindustrie te transformeren. Siemens Healthineers (SHL.SW ) (SHL.DE ) heeft tegen november 2023 84 AI‑ondersteunde producten ontwikkeld en bezit meer dan 800 patenten gerelateerd aan de technologie.

Afgesplitst van het moederbedrijf Siemens, heeft de zorgoplossingsprovider een marktkapitalisatie van $63 miljard en worden de aandelen verhandeld tegen $51,68. Siemens Healthineers heeft een EPS (TTM) van 1,35 en een P/E (TTM) van 38,28.

Slotgedachte

Zoals we hebben gezien, biedt AI enorme beloftes op het gebied van trendanalyse, en naarmate de technologie vordert, zullen we nog nauwkeurigere en bruikbare inzichten zien, evenals innovatie in verschillende sectoren. In de gezondheidszorg combineren AI‑gedreven voorspellingsmodellen data, inzichten en interventies om de zorg te personaliseren en de resultaten te optimaliseren. 

Klik hier om meer te leren over de groeiende synergie tussen AI & neurowetenschap.