De misvatting van AI als magische toverstaf

Enige tijd geleden was ik aanwezig bij een bijeenkomst over data in de zorg. Een interessante dag met veel focus op ‘eenheid van taal’, ofwel zorgen dat data bij verschillende instellingen op dezelfde manier worden benoemd en opgeslagen. In mijn ogen een heel belangrijk en een logisch onderwerp, omdat daar in de zorg nog flinke stappen zijn te behalen. Deze denkwijze werd echter niet door iedereen gedeeld.

Misvattingen

Digitaal conferenties volgen, heeft als nieuw aspect een chatfunctie, waardoor je van veel meer deelnemers wat meekrijgt. Wat mij opviel was dat er veel vragen werden gesteld als: ‘waarom hebben we het over eenheid van taal, dat is toch saai, waarom lossen we niet alles op met AI of Machine Learning?’ Uit dat soort opmerkingen blijkt volgens mij, dat er grote misvattingen rondom AI in de zorg bestaan. Alsof AI een magische toverstaf is die alle data-gerelateerde problemen in de zorg gaat oplossen en vervolgens artsen nieuwe inzichten gaat geven. AI biedt zeker mogelijkheden, maar ‘eenheid van taal’ biedt er nog veel meer!

Intelligentie

Een computer wordt als intelligent gezien, AI wordt gezien als nóg slimmer, maar vooralsnog is ook AI niets meer dan heel veel berekeningen uitvoeren. Zelfs met behulp van neuronen is AI toch nog makkelijk voor de gek te houden. AI begrijpt concepten niet zoals wij dat doen; kijk bijvoorbeeld naar de overlappingen van verschillende codesystemen. Twee veelgebruikte codesystemen in de zorg zijn LOINC en SNOMED. In beide codesystemen bestaat een code voor bloedglucose, voor SNOMED is dat 271062006 en voor Loinc 2339-0. Wij mensen snappen natuurlijk de tekst ‘bloedglucose’ die bij het concept hoort, en wij snappen daardoor ook direct dat het hier om hetzelfde concept gaat. Logisch voor ons, echter niet voor de computer, omdat die werkt met code i.p.v. taal.

Er bestaan duizenden van dit soort gevallen in de zorg, waarbij wij aan de computer moeten uitleggen dat een code in systeem A hetzelfde betekent als een andere code in systeem B, C of D. Doe je dat niet, dan is het ontzettend lastig om een AI model goed te trainen, omdat de computer verschillende concepten denkt te zien die in feite hetzelfde betekenen. Dat werkt niet. Als we het eerst eens worden over welke codes we in welke gevallen gaan gebruiken, dan zijn de AI modellen die volgen veel krachtiger. Dit probleem speelt overigens niet alleen in het zorgdomein, maar eigenlijk overal.

De kracht van de basis

Besluiten over ‘eenheid van taal’ zijn natuurlijk niet zo hip en trending als het fantaseren over de eindeloze mogelijkheden van AI. Maar zonder goede voedingsbodem in de vorm van eenduidige data haal je niet de kwaliteit van een AI oplossing die je zou willen en kunnen bereiken. En daarnaast zijn er juist in de zorg gigantisch veel meer voordelen te behalen met ‘eenheid van taal’! Ziekenhuizen kunnen dan veel beter data over patiënten delen met elkaar, overdrachten waarbij men nu nog gegevens moet overtikken, zouden dan verleden tijd zijn. De arts kan dan altijd beschikken over de meest accurate, volledige en recente gegevens van de patiënt.

Er zijn dus genoeg redenen om het nu eerst veel te hebben over ‘eenheid van taal’. AI is geen magische toverstaf die alle data-gerelateerde problemen in de zorg gaat oplossen. Als we eerst de ‘saaie basis’ op orde krijgen, maken we al heel veel belangrijke stappen om de zorg beter en goedkoper te krijgen, met als grote bonus dat AI, gevoed door goede data, tot veel betere inzichten gaat leiden.