Watson –de inmiddels wereldberoemde Jeopardy-spelende supercomputer- begrijpt gesproken woord, grapjes en kan leren. Zo goed zelfs, dat de computer na zijn roemruchte overwinning is omgeschoold tot arts-assistent. De voormalige spelshow-winnaar voorziet artsen nu van medische [second] opinions met behulp van Big Data[1].
Maar dokter… wat doet u nu?
Ook in de rol van arts-assistent heeft Watson –door IBM voluit “Watson-as-a-service for Hospitals”[2] genoemd- inmiddels zijn eerste successen geboekt: bij de anamnese van een zwangere patiënte schreef de omgeschoolde supercomputer een medicijn voor waarvan de begeleidende arts-van-vlees-en-bloed verontrust zei “dat geneesmiddel mág helemaal niet voorgeschreven worden aan zwangere vrouwen”.
Had de supercomputer een fout gemaakt? Nee!
Wat bleek: toen de arts-van-vlees-en-bloed zijn diploma haalde was de heersende overtuiging nog dat het voorgeschreven geneesmiddel niet geschikt zou zijn voor vrouwen in verwachting… maar deze waarheid bleek inmiddels achterhaald. Arts-assistent Watson was op de hoogte van de meest actuele behandelmethoden en ontwikkelingen in de medische wetenschap, de arts-van-vlees-en-bloed niet![1]
Achter iedere goede dokter staat… goede Big Data!
Big Data maakt patient-specifieke behandeling mogelijk
Of een standaard-behandelmethode (protocol) effectief is of niet, kan één enkele arts in een praktijk of ziekenhuis niet zeggen op basis van één, twee of tien individuele patiënten. Pas op basis van grotere aantallen behandelde patienten kan een arts –na langere tijd– een uitspraak doen over de effectiviteit van een behandeling in het algemeen.
Arts-assistent Watson daarentegen kan patronen in de resultaten van wereldwijde (nieuwe/experimentele) behandelmethoden direct ontdekken én de voor de individuele patiënt optimale behandeling vaststellen (geneesmiddel, dosis, lengte kuur).
Mannen en vrouwen reageren bijvoorbeeld verschillend op medicijnen[4]. Het toelaten van nieuwe geneesmiddelen gebeurt echter nog altijd op basis van biomedisch onderzoek op mannelijke proefpersonen.
“Zelfs bij medicijnen waarvan bekend is dat er aanzienlijk verschil is tussen hoe mannen en hoe vrouwen erop reageren, staat volgens een onderzoek uit 2005 veelal geen seksespecifieke dosering op het potje. Dit zal ongetwijfeld een rol spelen bij de vraag waarom vrouwen anderhalf keer vaker een negatieve reactie hebben op medicijnen dan mannen.”
Big Data versnelt kennisdeling
De manier waarop arts-assistent Watson tot zijn maatwerk behandeladvies komt is dus een stuk sneller en effectiever dan het alternatief: het langdurige -niet gestandaardiseerde[5]– proces van het vastleggen van ‘best practices’ in het behandelen van ziektes (protocollen).
- Testen nieuwe medische behandelmethode.
- Medische meta-onderzoeken (onderzoeken op onderzoeken).
- Medische congressen waarop deze resultaten met elkaar wordt gedeeld en bediscussieerd.
- Vastleggen nieuwe ‘best practice’ in protocol.
- Communiceren van nieuwe protocollen aan alle artsen (e.g. verwerken in medische opleidingen).
Vervolgens komen deze laatste inzichten via congressen en vakbladen -hopelijk – bij je eigen arts terecht.
Predictive analytics op basis van historische input: Big Data!
In dit voorbeeld is er sprake van grote hoeveelheden historische data waarmee Watson op basis van real-time informatie direct een bruikbaar advies geeft. Het systeem beperkt zich hierbij niet tot het beantwoorden van concrete vragen als “zou er een verband zijn tussen BMI en de effectiviteit van geneesmiddel X”, het systeem ontdekt zélf (subtiele) verbanden die je alleen maar kunt ontdekken als je grote hoeveelheden data tot je beschikking hebt: ‘predictive analytics’ dus. Soms is veel data beter dan een goed model!
Soms is veel data beter dan een goed model
Concreet worden de volgende gegevens met elkaar gecombineerd:
- Medische patiëntendossiers
- Anamnese: met welke klachten kwamen patiënten bij de dokter?
- Recept: welke behandeling schreef de dokter hen voor? (medicijn,dosis, kuur of leefstijl-advies)
- Welke bijwerkingen werden gemeld?
- Hoe effectief was de voorgeschreven behandeling op gezondheidstoestand van iedere patiënt?
- Achtergrondinformatie van patiënten
- Leeftijd
- Geslacht
- Levensstijl
- Leefomstandigheden
- Opleidingsniveau
- Real-time input:
- Gezondheidsklachten van patiënt (anamnese)
- Diagnose van de dokter
- Achtergrondinformatie van patiënt
Resultaat:
- Behandelingen patiënten op basis van de meest recente medische inzichten (behandelmethode/geneesmiddel, dosis, duur)
- Effectievere medische behandeling door afstemming op individuele patiënt (geslacht, leeftijd, BMI, etc…)
- Reductie in medische missers
- Besparing medische kosten door effectievere behandelingen (daar was het zorgverzekeraar WellPoint[3] in eerste instantie om te doen!)
Conclusies
- Big Data gaat dokters helpen patiënten op maat te behandelen.
- Gewone data is vaak statisch, moeilijk te ontsluiten en stoffig. Big Data is pro-actief en relevant.
- Big Data zal ook in andere beroepen kennisuitwisseling en
-ontwikkeling verbeteren.* - Één ding zal zelfs Big Data niet kunnen oplossen: het ontcijferen van het doktershandschrift! 🙂
Big Data als Game changer van de arbeidsmarkt
Niet alleen het beroep van arts, maar ook steeds meer andere beroepen -waaronder dat van webanalist!- zullen inhoudelijk veranderen onder invloed van Big Data.
Lees hierover meer in het artikel “Big Data als Game changer van de arbeidsmarkt“.
Bronnen
[1] Frans Bentlage, “Smarter Analytics Leader Benelux” bij IBM
http://new.livestream.com/eventproducent/onlinetuesday
[2] IBM’s ‘Watson-as-a-Service’ Ready to Crunch Big Data, March 12, 2012
http://www.wired.com/cloudline/2012/03/ibm-watson-cloud/
[3] WellPoint, Cigna and large hospital chains expected to actively engage in medical home partnerships
http://www.ft.com/cms/s/2/424170a0-2037-11e0-a6fb-00144feab49a.html#axzz1xxHwWy7G
[4] Onderzoekers negeren vrouwen – Patiëntenzorg lijdt onder ongelijkheid seksen
http://www.wetenschap24.nl/nieuws/artikelen/2010/juni/Onderzoekers-negeren-vrouwen.html
[5] Improving medical protocols by formal methods
