De stand van zaken rond data science en machine learning in de zorg
Nu de gezondheidszorg voortdurend vooruitgaat door digitalisering en digitale transformatie, is het een van de best uitgeruste sectoren om data science en machine learning maximaal in te zetten. Sinds 2015 is de durfkapitaalinvestering in AI-bedrijven in de zorg in Europa alleen al 22 keer zo groot geworden (McKinsey).
Data science en machine learning veranderen de gezondheidszorg in verschillende domeinen, van patiëntenzorg tot farmacie en meer. Maar het opschalen van de impact van data science in de zorg vereist zorgvuldige afweging van tal van uitdagingen, waaronder compliance, datagovernance en toezicht, datacultuur en de beschikbaarheid van dataskills.
De kansen voor data science en machine learning in de zorg
De zorgsector is vandaag de dag rijp voor machine learning en data science door de enorme hoeveelheid zorgdata en de vele toepassingsmogelijkheden voor de volksgezondheid. Volgens Statista wordt er wereldwijd in de zorg jaarlijks ongeveer 2.314 exabyte aan data gegenereerd (1 exabyte = 1 miljard gigabyte), een toename van 15 keer sinds 2013.
Voor de samenleving zijn er ontelbare voordelen in termen van betere gezondheidsuitkomsten op populatieniveau. Deloitte schat dat efficiëntiewinsten door use-cases met data science en machine learning alleen al in Europa tussen de 380.000 en 403.000 levens kunnen redden. Data science en machine learning kunnen worden geïntegreerd in de hele patiëntreis: van preventie en vroege opsporing tot diagnose, behandeling en zorgmanagement.
Zo kunnen mensen wearables en gepersonaliseerde apps gebruiken voor vroege ziekteopsporing en preventie, of kortere wachttijden ervaren met deep-learninggestuurde analyse van medische beeldvorming. Ook in onderzoek en ontwikkeling staan grote verbeteringen in gezondheidsuitkomsten op stapel, van geautomatiseerde medicijnontdekking tot DeepMinds vooruitgang in eiwitvouwing met het AlphaFold-algoritme.
Zorgaanbieders in alle geledingen kunnen bovendien enorme kostenbesparingen en efficiëntieverbeteringen realiseren. Zo kan het operationaliseren van data science en machine learning de Europese gezondheidszorg jaarlijks tussen de 170,9 en 212,4 miljard euro besparen (Deloitte). Efficiëntiewinsten lopen uiteen van farmabedrijven die hun toeleveringsketen verbeteren, tot verzekeraars die marketinguitgaven optimaliseren door klantverloop te voorspellen, tot hogere productiviteit via workflowautomatisering in meerdere domeinen.
Use-cases voor data science en machine learning in de zorg
Patiëntenzorg
Use-cases met data science en machine learning kunnen de gezondheidsuitkomsten voor individuen verbeteren en tijdrovende administratieve taken voor zorgprofessionals automatiseren.
Afsprakenbeheer: Met machine learning en regelgebaseerde kunstmatige intelligentie kunnen zorgaanbieders sturen op betere patiëntuitkomsten en middelenverspilling tegengaan met geautomatiseerd afsprakenbeheer.
Vroege diagnostiek en preventie: Apps voor gezondheidsmonitoring en wearables benutten machine learning en beschrijvende analyses om belangrijke inzichten te bieden in verschillende aspecten van iemands gezondheid. Deze tools stellen mensen in staat om datagedreven keuzes te maken over hun gezondheid en potentiële ziekten vroegtijdig te signaleren.
Patiënttriage: Met machine-learninggestuurde symptoomcheckers kunnen zorgaanbieders patiënten prioriteren op basis van behoefte en urgentie. Dit kan leiden tot sterk kortere wachttijden voor patiënten en grote efficiëntiewinsten voor zorgaanbieders.
Medische beeldvorming en diagnostiek: Dit is wellicht een van de belangrijkste use-cases voor data science en machine learning in de zorg (McKinsey). Medische beeldvorming en diagnostiek beloven brede efficiëntiewinsten en betere gezondheidsuitkomsten. Met deep learning kunnen zorgaanbieders workflows automatiseren en sneller waarde leveren aan patiënten.
Bedrijfsprocessen en -management
Zoals in elke sector bestrijken toepassingen van data science en machine learning in de zorg diverse use-cases voor betere operationele efficiëntie en klantbeleving.
Robotic process automation: Met een combinatie van machine learning en regelgebaseerde AI kunnen zorgaanbieders in verschillende domeinen workflows stroomlijnen en processen digitaliseren.
Klantverloop: Verzekeraars kunnen machine learning gebruiken om te voorspellen welke klanten zullen afhaken, wat helpt om klanten te behouden en marketinguitgaven te optimaliseren.
Chatbots: Met chatbots kunnen zorgaanbieders, van ziekenhuizen tot verzekeraars, betere klantenservice bieden en sneller waarde leveren aan zorgconsumenten.
Business intelligence: Business intelligence combineert bedrijfsanalyse, datamanipulatie en visualisatie om organisaties te helpen meer datagedreven beslissingen te nemen. Door data-inzichten te benutten, krijgen zorgaanbieders meer zicht op financiële operaties, automatiseren ze compliance-rapportages, en nog veel meer (Villanova University).
Farmacie
Met AI-gestuurde medicijnontdekking en verbeterd supplychainbeheer kunnen farmaceutische bedrijven data science en machine learning inzetten om meer waarde te leveren aan mensen.
Medicijnontdekking: Volgens het AI Index Report 2021 ontvingen AI-startups voor medicijnontdekking de meeste particuliere AI-investeringen van alle sectoren. De beloften van ML-gebaseerde medicijnontdekking beginnen zich uit te betalen en kunnen leiden tot grote verbeteringen in gezondheidsuitkomsten op populatieniveau.
Supplychainplanning: Het gebruik van data science en machine learning in supplychainplanning kan de time-to-production verkorten, wachttijden voor vaccinaleveringen verminderen en de supplychain-uitgaven van farmaceutische bedrijven optimaliseren.
Forecasting excellence: Met eenvoudige tot geavanceerde forecastingtools kunnen farmabedrijven populatiegezondheidsdata benutten om vraag en aanbod van bepaalde medicijnen te voorspellen, en tegelijkertijd bedrijfsprocessen voor finance, marketing, sales en meer optimaliseren.
Verbeteren van klinische proefprocessen: Met data science en wearables kunnen risico’s voor patiënten worden verminderd door automatisch te monitoren en te signaleren of er bijwerkingen optreden tijdens klinische studies. Daarnaast kunnen machine-learningtoepassingen klinische onderzoeken versnellen door patiëntgeschiktheid te beoordelen, te prescreenen en te randomiseren.
Uitdagingen en risico’s bij het operationaliseren van data science en machine learning in de zorg
Datakwaliteit en infrastructuur
Een grote uitdaging voor elke organisatie die data science en machine learning wil operationaliseren en opschalen, is het mogelijk maken van een moderne, veilige, gecentraliseerde en doorzoekbare datainfrastructuur (DataCamp). Dat geldt in het bijzonder voor zorgorganisaties, waar data nog wordt gedigitaliseerd en het opbouwen van grote datasets wordt belemmerd door een gebrek aan interoperabiliteit en verschillen in kwaliteitsnormen tussen zorgaanbieders (McKinsey).
Compliance en governance
Omdat zorgorganisaties zeer waardevolle en gevoelige data verzamelen, zijn governance en compliance cruciale aspecten van het operationaliseren van data science en machine learning in de zorg (Collibra). Hoewel regelgeving per regio verschilt (McKinsey), kent de zorgsector een van de meest complexe regelgevingslandschappen. Zo bepaalt de Health Insurance Portability and Accountability Act (HIPAA) in de Verenigde Staten nationale standaarden voor het beschermen en beheren van patiëntgegevens.
Dit soort zorgspecifieke regels is slechts één aspect van het complexe regelgevingslandschap voor de zorg. Gegevensbeschermingswetten zoals de General Data Protection Regulation (GDPR) in de Europese Unie en de California Consumer Protection Act (CCPA) zorgen voor extra complexiteit wanneer zorgorganisaties uiteenlopende datasets willen opbouwen en koppelen voor data science- en machine-learningtoepassingen. Sterke datagovernance en compliance inrichten is dan ook essentieel om data science en machine learning in de zorg te operationaliseren.
Vaardigheden
Het mogelijk maken van de datainfrastructuur en consensus bereiken over regelgevingskaders zijn essentieel om data science en machine learning in de zorg te operationaliseren. Maar de grootste bedreiging voor de adoptie van deze technologieën in de zorg is het gebrek aan dataskills. Uit onderzoek van Qlik blijkt zelfs dat de zorgsector, vergeleken met andere sectoren, het laagst scoort op datageletterdheid. Het gebrek aan datavaardigheden binnen zorgorganisaties belemmert de inzet van data science en machine learning in verschillende domeinen en beperkt het vermogen van organisaties om draagvlak te creëren voor datainitiatieven.
Zo moeten zorgmedewerkers in de frontlinie basiskennis van AI hebben om machine-learninggestuurde systemen en toepassingen te begrijpen en ermee te werken (McKinsey). Managers en leiders bij farmaceutische bedrijven of verzekeraars moeten begrijpen wat er mogelijk is met data science en machine learning, zodat ze datainitiatieven kunnen aanjagen en bijdragen aan een datagedreven cultuur (DataCamp).
Alleen het aannemen van vaardige datawerkers is niet genoeg. Er is een tekort aan talent dat de complexiteit van de zorg begrijpt, én een algemeen tekort aan data science-talent (Forbes).
Een gebrek aan datageletterdheid is de grootste vijand waar we tegen vechten. Nu de wereld steeds meer door data wordt gedreven, is dat een nog grotere uitdaging. Iedereen moet de basis begrijpen, en wij moeten dat op een intuïtieve en leuke manier kunnen overbrengen
Bill Zhang, Chief Data and Analytics Officer, AIG Japan
Hoe datatraining de data-uitdagingen van de zorg oplost
Het aanpakken van de dataskillsgap is de basis voor het operationaliseren van data science en machine learning in de zorg. Volgens het World Economic Forum kan digitale en datatraining in de zorg en farmacie het wereldwijde BBP tegen 2030 met meer dan 400 miljard dollar verhogen. Een cultuur van continu leren creëren is cruciaal om de volgende generatie leiders in de zorg op te leiden (McKinsey), die data- en biomedische wetenschappen zullen combineren om de waarde van data science en machine learning in de zorg op te schalen en te verankeren.
