Nervus

Binnen Europa krijgt het juridische kader voor het verantwoord ontwikkelen en gebruiken van AI steeds meer vorm. Van specifieke regels voor AI-gebruik in de gezondheidszorg, waarvoor ook andere wetgeving geldt, zoals patiëntenrechten, is echter nog geen sprake. Bij het opstellen van concrete kaders voor de medische praktijk is in de visie van de auteurs een belangrijke rol weggelegd voor richtlijnontwikkeling door medische beroepsgroepen en zorginstellingen. Aan de hand van twee fictieve situaties wordt in dit artikel ingegaan op het verantwoord gebruik van een AI-systeem ter ondersteuning van diagnostiek.

De vakgroep Radiologie van het Bravis Ziekenhuis implementeerde als eerste in Nederland ‘artificial intelligence’ (AI)-software om de explosieve groei in CT-scans in de nacht op te vangen. Na een zorgvuldig implementatieproces worden de scans inmiddels al jaren razendsnel geanalyseerd op mogelijke intracraniële bloedingen en vaatocclusies en ondersteunt AI hiermee de SEH-artsen, neurologen en radiologen naar grote tevredenheid. Naast een toegenomen sensitiviteit die uiteraard zorgt voor betere patiëntenzorg heeft het ook gezorgd voor meer nachtrust. De inzet van AI is inmiddels onmisbaar en er zal met grote interesse worden gekeken hoe AI in de toekomst op andere vlakken van toegevoegde waarde kan zijn.

Diepe hersenstimulatie (deep brain stimulation; DBS) is een van de meest effectieve behandelingen voor gevorderde ziekte van Parkinson. Ondanks decennia aan klinische ervaring en technologische verfijning blijven enkele fundamentele vragen echter nog steeds lastig te beantwoorden. Een belangrijk voorbeeld hiervan is de vraag welke patiënt daadwerkelijk van DBS zal gaan profiteren, en in welke mate dit het geval zal zijn. In dit artikel wordt beschreven op welke manier machinelearning, een vorm van artificiële intelligentie, al antwoord kan geven op deze vragen en welke stappen nodig zijn om dit naar de klinische praktijk te brengen.

Artificiële intelligentie (AI) in de radiologie voor neuro-oncologie is veelbelovend. AI heeft potentie in de diagnostiek, classificatie, gradering en follow-up van hersentumoren, die afhankelijk zijn van MRI-beeldvorming. Traditionele MRI-protocollen duren lang en omvatten meerdere sequenties met contrast. AI zou oplossingen kunnen bieden voor snellere, consistentere en nauwkeurigere analyses. In de beeldacquisitie verbetert AI de kwaliteit met daarnaast reductie van scantijden en mogelijk minder contrastmiddelgebruik. MRI met lage veldsterkten (< 0,2 tesla) wordt haalbaar door AI-reconstructies. Voor tumorsegmentatie automatiseert AI de afbakening van tumorgebieden in seconden met hoge reproduceerbaarheid. Bij diagnosestelling en gradering worden kwantitatieve kenmerken gebruikt om tumoren te classificeren en moleculaire markers te kunnen voorspellen. Uitdagingen omvatten strenge Europese wetgeving, slechtere prestaties in de praktijk, het ‘black box’-fenomeen en dataprivacy. Toekomstperspectieven liggen in privacyvriendelijke datasets, uitlegbare AI en standaardisatie, die mogelijk zullen leiden tot minder onzekerheid en bovenbeschreven voordelen voor patiënten met een beperkte prognose. AI kan zo bijdragen aan hoopvollere diagnostiek bij deze ernstige ziekte.

AI kan het best worden opgevat als een gereedschapskist met verschillende typen gereedschap, elk met een eigen functie en toepassingsgebied. Ook in de spreekkamer van de neuroloog zijn inmiddels diverse AI-toepassingen actief. Dit artikel gaat over de rol van AI in het diagnostisch proces, met nadruk op chatbots die gebaseerd zijn op large language models. Er wordt een casus gepresenteerd waarbij u uw oplossingsproces kunt vergelijken met dat van de chatbot ChatGPT. Duidelijk is dat er verschillen aanwijsbaar zijn tussen mens en machine in de wijze waarop diagnostische problemen worden opgelost. Chatbots kunnen nuttig zijn, bijvoorbeeld bij het opstellen of juist ondergraven van een differentiële diagnose, maar kunnen ook een bron van fouten zijn. Er wordt gewezen op het gevaar van cognitieve luiheid en van minder kritisch denken bij het gebruik van een chatbot. Het door onkritisch gebruik van generatieve AI veroorzaakte verlies van expertise wordt ‘deskilling’ genoemd.

De klinische neurofysiologie (KNF) is een vakgebied van patroonherkenning. Of we nu kijken naar de ritmische activiteit van een EEG, de grijswaarden van een spierecho, of luisteren naar het geknetter van een naald-EMG: we zijn voortdurend bezig met het vertalen van ruwe signalen naar klinische betekenis. Het is een ambacht dat een speciale opleiding en jarenlange training vereist. Maar het is ook een ambacht dat onder druk staat: de hoeveelheid data neemt toe, de interpretatie blijft subjectief en de variatie in de interpretatie door verschillende beoordelaars is – als we eerlijk zijn – soms teleurstellend groot.