Medvice.Ai: Oneindige KI-mogelijkheden. Geen gebrek aan trainingsdata.

De laatste jaren is het gebruik van KI (kunstmatige intelligentie) of ML (machine learning) in medische toepassingen explosief toegenomen. Dit komt omdat onderzoekers en innovators steeds meer manieren vinden om de potentie van ML voor diagnostiek te verkennen, waarmee patiëntenzorg op lange termijn op globaal niveau enorm toegankelijk kan worden. Veel van deze toepassingen, hoe geavanceerd hun algoritmes dan ook zijn, zijn echter gedoemd tot een beperkt succes vanwege het gebruik van beperkte of onvolledige beschikbare medische datasets. 

In de werkelijkheid zijn de medische datasets die momenteel worden gebruikt voor kunstmatige intelligentietoepassingen zeer gebrekkig. Datawetenschappers besteden tot wel 80% van hun tijd aan het verzamelen en voorbereiden van data voor gebruik. Dit is zonde, want deze tijd kan beter in het modelleren van ML-algoritmen of ML-analysen gestoken worden (Harvard Business Review (2016)). Hedendaagse ML-algoritmen die in medische toepassingen worden gebruikt, maken vaak gebruik van beslisbomen of ontologische raamwerken om ziekten te definiëren, categoriseren en diagnosticeren.  In de echte wereld zijn deze ziekten veel complexer en minder lineair dan in theorie. Dit wordt ook wel “atypisch” genoemd, met als mogelijk gevolg dat deze situatie algoritmen makkelijk op het verkeerde spoor kunnen zetten. 

Ondanks de miljoenen dollars aan ontwikkeling en jaren van algoritme-trainen van IBM’s supercomputer Watson, die medische afkortingen, verkorte zinnen en afwisselende schrijfstijlen probeerde te lezen en interpreteren, worstelde de supercomputer toch heel erg om waardevolle informatie uit medische dossiers te herkennen. Watson is er dan niet klaar voor om als betrouwbare partner in medische diagnoses en behandelplannen ingezet te worden (STATNEWS: IBM Watson (2017). Één van de redenen waarom Watson met deze problemen kampt, heeft te maken met de kwaliteit van de data die Watson gebruikt (veel “synthetische” data i.p.v. “real-life” data). Momenteel beschikken de meeste klinische instellingen over medische databases die gewoonweg niet geoptimaliseerd zijn voor hoogkwalitatieve standaardisering, optimalisatie of onderhoudsprotocollen en daarom dus bijna áltijd beschikken over slechte of matige kwaliteit data. 

Terwijl lage kwaliteit datasets dus een relatief kleine belemmering vormen voor effectieve ML-toepassingen in het algemeen, kunnen ze potentieel verwoestend zijn als het gaat om toepasbaarheid in medische toepassingen. Deze beslissingen kunnen namelijk zeer ingrijpend of potentieel zelfs levensbedreigend zijn. Een medische KI die bevooroordeeld, onvolledig of gewoonweg onnauwkeurig is brengt risico’s met zich mee dat geen enkele patiënt of zorgverlener zou moeten accepteren. 

Medvice verandert pakt deze risicovolle knelpunten aan door de MIA-suite te ontwikkelen. De MIA-suite is een ondersteunende cloud platform welke – voor een onbepaalde tijd- een continue stroom aan gestructureerde en geanonimiseerde hoge kwaliteit medische datasets kan garanderen voor trainingsdoeleinden van Medvice.Ai. Dit doet Medvice secundair door de MIA-suite in klinieken te implementeren met als primaire doel de klinische zorgprocessen te optimaliseren en kosten-effectiever te maken. Onze grensverleggende partnerschappen met patiënten en zorgverleners stellen ons tevens in staat om op deze manier schone datasets te genereren die continu gecontroleerd en door artsen geaccordeerd worden. Het Medvice.Ai voorspellingsmodel is dus altijd gebaseerd op gegevens uit de praktijk. In plaats van tijd te besteden aan het oppoetsen, valideren en bijhouden van gegevens, kan het team van Medvice zich zo richten op het verfijnen en verbeteren van Medvice.Ai. 

Deze volledig nieuwe “datacapture- en validatiemethodologie” van Medvice opent revolutionaire nieuwe deuren voor toepassingen van machine learning en KI-ondersteunde medische besluitvorming. Met de juiste data, maken we KI écht waardevol.


Deel dit artikel