In de vorige editie werd het ADAM-project toegelicht. ADAM staat voor Advanced Data-Aided Medicine. In het onderzoeksproject wil men nagaan of data uit patiëntendossiers, artsennota’s, wearables en digitale vragenlijsten gebruikt kunnen worden als input voor voorspellende A.I.-modellen. Zo’n model zou artsen in de toekomst kunnen ondersteunen bij besluitvorming rond complexe behandelplannen.

Artificiële intelligentie verwijst naar computersystemen die zelfstandig kunnen leren, beslissingen nemen en uitvoeren (De Ketelaere, 2020). Het grote voordeel van A.I. is dat het een hulpmiddel kan zijn voor taken die ‘dangerous, dull, dirty, difficult’ zijn (de 4 D’s) en daarbij de menselijke cognitieve limieten overschrijden wat betreft snelheid, veelheid en complexiteit van dataverwerking. Dit schept het vooruitzicht op getrainde algoritmes die meer correcte en precieze voorspellingen genereren. Dergelijke verfijnde uitkomsten zijn een hefboom voor waardengedreven zorg. Tegelijk boezemt de artificiële kracht velen angst in: hoe kunnen we een technologie beheersen en controleren als we de complexiteit ervan niet eens helemaal kunnen vatten?

GARBAGE IN, GARBAGE OUT Bij gebruik van A.I. ter ondersteuning van medische besluitvorming zijn er effectief een aantal risico’s die in acht genomen moeten worden. Voor de hand liggende moeilijkheden kaderen binnen de GDPR en hebben te maken met het waarborgen van privacy en de vraag wie eigenaar is van de data. Andere vragen gaan over het risico op fouten in of door het algoritme en de vraag wie de eindverantwoordelijkheid draagt. Pierce et al (2021) waarschuwen voor de effecten van semantische verwarring in A.I. voor medische besluitvorming. Medisch jargon staat bol van vage, subjectieve termen die niet zomaar in eenduidige computertaal omgezet kunnen worden. De auteurs geven o.a. het voorbeeld van het ‘eindstadium’ in nierziekte: de precieze tijdsbepaling kan verschillen onder artsen. Wanneer een individuele arts door zijn interpretatie een suboptimale inschatting maakt, is dat mogelijk een probleem voor zijn patiënt. Echter, als de interpretatiefout ingebouwd wordt in het algoritme, zijn de problemen meteen exponentieel. Het risico op een ingebouwde bias in de data is een ander bekend probleem. Als de inputdata niet voldoende representatief zijn, en bijvoorbeeld onvoldoende data van allochtone populaties bevatten, kan dat voor de ondervertegenwoordigde patiënten misleidende resultaten geven. Het principe ‘garbage in, garbage out’ is essentieel.