‘Machine learning vaak verkeerd ingezet in zorgsector’

Machine learning (ML) is netwerken indien deep learning eentje AI-concept. Hierbij wordt omvangrijke datasets van bijvoorbeeld scans tweedehands wegens eentje algoritme vaststellen zaken aan te leren, zoals ie ontdekken van tumoren. ML-algoritmes kunnen onder meer patronen leren ontdekken diegene mensen noch kunnen zien, zoals minieme wendingen of afwijkingen op MRI-scans. Zowel ter Nederland wordt met den regelmaat van den uurwerk nieuwe studies gepubliceerd of digitale toepassingen ter den klinische praktijk geïntroduceerd diegene gewoonte maken van ML.

Toegevoegde waarde machine learning

Te eentje wetsartikel van Amazing Erasmus laat Maud Kok één van den schrijvers – statistisch redacteur plus neurochirurg ter vorming Victor Volovici – van ie Nature Medicine-artikel aan ie woord. Hij schetst wanneer ML welnu of noch van toegevoegde waarde schenkkan zijn voordat gezondheidszorg plus medisch-wetenschappelijk research.

Volovici plus zijn medeauteurs, waaronder prof. Nan Liu (Duke-NUS Medical Schoolgebouw, Singapore) plus Ari Ercole (Cambridge, Engeland), stellen ‘absoluut te geloven’ ter den sterkte van ML, maar ie moeten welnu eentje relevante toevoeging zijn. Plusteken dat is volgens hoen noch steevast ie geval. Zo zetwerk onderzoekers plus ontwikkelaars ML vaak standaard ter indien analyse-tool. Dit terwijl eentje normale statistische trant even terdege of zelfs huis werkt én huis te vatten is voordat den gemiddelde clinicus met veel te weinig tijdstip.

Volovici stelt dat dit clinicus daarom vaak eentje wetsartikel overheen eentje ML-tool ongeacht zichzelf neerlegt wegens schaarste aan inzicht ter den gebruikte methodes of den beperkingen van ie research. Dat beperkt zowel weer den praktijkimpact. Of den clinicus moeten lukraak vertrouwen op den gevolgtrekkingen van eentje ML-tool, zonder te weten hoe diegene totdat stand gekomen zijn – ie black box-fenomeen. “Dat schenkkan natuurlijk noch, ie gaat wegens den patiënt”, aldus Volovici.

Meer kwaad dan terdege

Professor Nan Liu voegt hieraan toe dat zonder terdege toezicht ML-modellen meer kwaad dan terdege exporteren. Indien voorbeeld komt ie wetsartikel ter Nature Medicine met eentje voorval waarbij wetenschappers aan ie start van den coronacrisis eentje algoritme introduceerden dat aan den hand van longfoto’s corona-infecties zullen kunnen voorzien. Erna bleek dat ie algoritme gevolgtrekkingen had getrokken op fundament van den letterteken R, voordat Rechterlong, diegene steeds op eentje netwerken andere locatie op den scans te vinden wasgoed

Ook zijn technologieën zoals ML plus deep learning noch geschikt voordat den vaak kleine datasets ter den gezondheidszorg plus medische wetenschap. Vaak gaat ie wegens gegevens van enkele honderden patiënten, zeker onder zeldzame emoties, ter tegenstelling totdat ter sectoren zoals den automotive industrie (zelfrijdende wagen’s) of bewaking (gezichtsherkenning). Te ie snel verwerkt van omvangrijke plus internationaal samengestelde datasets op fundament van generaal afgesproken criteria, ligt volgens Volovici den omvangrijke sterkte van ML.

Aanbevelingen

Hieronder staan den tien aanbevelingen voordat eentje goede inzet van machine learning:

1. Waar nodig willen ongeacht ML-modellen (vooraf gedefinieerde) gevoeligheidsanalyses met behulp van traditionele statistische modellen wordt gepresenteerd.
2. Protocollen wordt gepubliceerd plus waar mogelijk collegiaal getoetst, plus den modelkeuze moeten wordt vermeld plus onderbouwd.
3. Alle prestatieparameters van ie proefje willen wordt bekendgemaakt plus idealiter willen den dataset plus ie analysescript publiek wordt geproduceerd.
4. Publicaties diegene gebruikmaken van ML-algoritmen willen vergezeld gaan van disclaimers overheen hun besluitvormingsproces plus hun gevolgtrekkingen willen zorgvuldig wordt geformuleerd.
5. Onderzoekers willen zichzelf verwedden voordat ie uitbouwen van interpreteerbare plus transparante ML-algoritmen diegene kunnen wordt verslagen aan checks and balances.
6. Datasets willen wordt geïnspecteerd op bronnen van vooringenomenheid plus den nodige stappen willen wordt genomen wegens vooroordelen aan te pakken.
7. Ie type ML-techniek dat wordt tweedehands, moeten wordt gekozen rekening houdend met ie type, den omvang plus den dimensionaliteit van den beschikbare dataset.
8. ML-technieken willen wordt vermeden onder ie omgaan met zeer kleine, maar gemakkelijk beschikbare, gemakkelijke klinische datasets.
9. Artsen-onderzoekers willen ernaar streven wegens, indien mogelijk, omvangrijke, geharmoniseerde multicenter of internationale datasets met gegevens met eentje hoge resolutie aan te schaffen plus te gewoontes.
10. Ene richtlijn voordat den verkiezing van eentje statistische benaderingswijze, of ie nu gaat wegens ML of traditionele statistische technieken, zullen klinische onderzoekers promoten plus den juiste keuzes benadrukken.