Python in de zorg: AI-toepassingen in ziekenhuizen

Inhoudsopgave

Introductie

Python gebruiken voor beeld­diagnostiek

• Tumoren detecteren en classificeren
• Cardiovasculaire afwijkingen detecteren
• Fracturen en andere verwondingen detecteren
• Screening op veelvoorkomende kankers

Toepassing van Natural Language Processing (NLP) in de zorg

• NLP gebruiken om een clinical decision support (CDS)-systeem te maken
• NLP gebruiken om fenotyperingsmogelijkheden te verbeteren
• Het ontstaan van psychose voorspellen
• Identificatie en risicostratificatie van cirrosepatiënten
• Identificatie van meldingsplichtige kankerdiagnoses
• Toepassing van NLP voor voorspellende analyses

Python gebruiken om complexe ziekten te voorspellen en te analyseren

Python gebruiken om de patiëntervaring te verbeteren

Ziekenhuisoperaties optimaliseren

Geneesmiddelenontwikkeling

Toekomst van Python in de zorg

Conclusie

Introductie

In de moderne wereld hebben computers en smartphones veel aspecten van ons leven overgenomen, en de zorgsector is daarop geen uitzondering. Zorgverleners migreren zorggegevens steeds vaker van papier naar elektronische formaten, waardoor zorginstellingen enorme hoeveelheden data genereren. Python is een essentiële programmeertaal die data scientists gebruiken om oplossingen te bouwen voor talloze uitdagingen in de zorg. De taal biedt een diverse set tools om betekenisvolle inzichten uit data te halen voor zorgprofessionals. Artsen kunnen met Python-aangedreven toepassingen betere prognoses stellen en de kwaliteit van zorg verbeteren. In de zorg gebruiken data scientists Python vooral om machinelearning-algoritmen en softwaretoepassingen te ontwikkelen voor:

• Het uitvoeren van medische diagnostiek
• Het verbeteren van de efficiëntie van ziekenhuisprocessen
• Genoomonderzoek
• Geneesmiddelenontwikkeling
• Voorspellende analyses

De belangrijkste toepassingen van Python in de zorg zijn gebaseerd op machine learning (ML) en natural language processing (NLP). Denk aan beelddiagnostiek, natuurlijke-taalverwerking van medische documenten en het voorspellen van ziekten op basis van menselijke genetica. Zulke toepassingen zijn cruciaal in de zorg: ze verwerken en analyseren data tot begrijpelijke, betekenisvolle en betrouwbare informatie voor patiënten en zorgverleners. In de volgende sectie lees je hoe data scientists en zorgprofessionals ML en NLP in Python inzetten om zorguitdagingen op te lossen en de gezondheidsuitkomsten voor patiënten te verbeteren.

Python gebruiken voor beelddiagnostiek

Een van de meest veelbelovende technologische ontwikkelingen in de zorg is het gebruik van ML om meerdere beelden te analyseren, zoals MRI-, CT- en DTI-scans voor diagnostiek. Waar het menselijk brein moeite kan hebben om meerdere beelden tegelijk te analyseren, zijn machinelearningoplossingen juist goed in het verwerken van veel informatie tot één diagnostische uitkomst. Sarker (2021) geeft voorbeelden van toepassingen van ML in de zorg en onderzoekslijnen. Ook vermeldenswaardig: de nauwkeurigheid van machinelearning voor beeldanalyse met Python is ongeveer 92%. Dat ligt iets onder de 96% nauwkeurigheid van senior clinici. Maar als pathologen de ML-modellen beoordelen, kan de nauwkeurigheid oplopen tot 99,5%.

Tumoren detecteren en classificeren

Een van de meest voorkomende toepassingen van ML-technologie in de zorg is het detecteren van tumoren met computer-automated detection (CAD). Deze technieken gebruiken CNN’s om de kans te berekenen dat een laesie daadwerkelijk een laesie is. In de mammografie kunnen AI-tools radiologen bijvoorbeeld een ‘tweede’ oordeel geven. Dit verhoogt de nauwkeurigheid van screenings aanzienlijk zonder de kosten van een extra menselijke beoordeling.

Artsen hebben moeite met het detecteren en classificeren van glioblastoom—een type hersentumor. De uitdaging zit in het invasieve en wijdverspreide karakter van deze tumoren. In tegenstelling tot andere hersentumoren zijn ze lastig te lokaliseren en is het moeilijk te beoordelen hoe ze op behandeling reageren. Deep learning helpt bij het automatiseren van de beoordeling van glioblastoom-MRI’s.

Cardiovasculaire afwijkingen detecteren 

Python gebruiken om hartafwijkingen op beelden, zoals borstkasröntgenfoto’s, automatisch te detecteren kan de besluitvorming versnellen en diagnostische fouten verminderen. Wanneer een patiënt symptomen vertoont zoals kortademigheid, vragen artsen vaak een thoraxfoto aan als hulpmiddel bij cardiomegalie. Met Python gebouwde AI-tools kunnen beoordelingstaken automatiseren, zoals het meten van de diameter van de longslagader en de carina-hoek. In de onderstaande figuur zie je bijvoorbeeld hoe data scientists ML gebruiken om hart- en vaatziekten te voorspellen op basis van klinische kenmerken van patiënten (zoals geslacht, rookstatus en hypertensierisico, naast andere factoren). Het model had een nauwkeurigheid van ongeveer 76% (Weng et al., 2017).

Bron: Weng et al. (2017)

ML-algoritmen kunnen beelden beoordelen en automatisch rapporten genereren, waardoor menselijke onderzoekers tijd besparen bij het classificeren van afwijkingen versus normale metingen.

Fracturen en andere verwondingen detecteren

Data scientists kunnen ML-gestuurde tools gebruiken om lastig zichtbare ontwrichtingen, fracturen en weke-delenletsels te identificeren, zodat chirurgen met meer vertrouwen behandelkeuzes maken. Het gebruik van onbevooroordeelde algoritmen om beelden te analyseren kan zorgverleners helpen om alle letsels mee te nemen en de beste behandelingen te bieden. AI-tools kunnen een uitgebreide analyse van medische beelden uitvoeren en tijdig nauwkeurige rapporten genereren, waardoor het risico voor de patiënt, het aantal vals-negatieven en het juridische risico voor zorgverleners afneemt.

Thoracale aandoeningen en complicaties detecteren 

Thoracale aandoeningen zoals longontsteking vereisen snelle reacties van zorgverleners. Artsen gebruiken radiologische beelden om longontsteking te diagnosticeren en te onderscheiden van andere longaandoeningen, zoals COVID-19. Maar zoals Hasan et al. (2021) laten zien, zijn radiologen niet altijd beschikbaar om beelden te analyseren en rapporten te schrijven. En zelfs als ze beschikbaar zijn, kan het lastig zijn om longontsteking te identificeren bij patiënten met bestaande longaandoeningen. Een Python-gebaseerd AI-algoritme kan röntgenfoto’s en andere medische beelden analyseren om longontsteking te detecteren en vervolgens automatisch zorgverleners waarschuwen om passende behandeling te bieden.

Screening op veelvoorkomende kankers

Oncologen gebruiken medische beeldvorming voor routinematige, preventieve screenings op kanker, zoals darmkanker, prostaatkanker en borstkanker. Bij borstkankerscreening kunnen radiologen moeite hebben om een tumor eenduidig als goedaardig of kwaadaardig te classificeren. Vals-positieven kunnen leiden tot onnodige invasieve tests of behandelingen, terwijl gemiste maligniteiten vertraagde diagnoses en ongunstige uitkomsten kunnen veroorzaken. Met AI kun je de nauwkeurigheid van het lezen van medische beelden verbeteren, wat mogelijk het aantal onnodige goedaardige biopten verlaagt.

Toepassing van Natural Language Processing (NLP) in de zorg

Data scientists en zorgverleners gebruiken NLP-tools om een breed scala aan factoren te verwerken en te analyseren, waaronder patiëntcontacten, symptomen en vitale functies. NLP kan een goedkopere manier bieden om snel medische documenten te scannen en de resulterende informatie in een database te integreren, omdat NLP-systemen leesbare gegevens uit teksten en beelden extraheren om trefwoorden en termen te identificeren. Er zijn veel interessante mogelijkheden voor NLP in de zorg. Deze toepassingen zijn vooral gericht op het verbeteren van medisch onderzoek en de geneeskunde. In deze sectie lichten we enkele toepassingen van NLP in de zorg uit. De lijst is niet uitputtend, maar belicht een aantal machinelearningtoepassingen.

NLP gebruiken om een clinical decision support (CDS)-systeem te maken

Je kunt NLP gebruiken om op basis van historische patiëntdossiers een systeem te bouwen dat klinische beslisondersteuning (CDS) verbetert. Zo’n systeem kan artsen helpen om klinische beslissingen te nemen voor patiënten op basis van een kennisdatabase. Die database kan informatie bevatten die is geëxtraheerd uit artsennotities (handschrift of getypt), laboratoriumuitslagen of getranscribeerde audio. Het systeem werkt door patiëntinformatie uit medische dossiers te halen en vervolgens mogelijke ziektebeelden te koppelen op basis van informatie uit eerdere gevallen en/of de literatuur.

NLP gebruiken om fenotyperingsmogelijkheden te verbeteren

Een fenotype is een waarneembare uiting van een specifieke eigenschap (fysiek of biochemisch) bij een organisme. Clinici gebruiken fenotypering om patiënten te classificeren, meer inzicht in hun data te krijgen en ze met cohorten te vergelijken.

• NLP is een waardevol hulpmiddel om ongestructureerde data te extraheren en analyseren, die 80 procent van alle beschikbare patiëntdata uitmaken.
• NLP maakt ook rijkere fenotypering mogelijk, omdat pathologierapporten veel informatie over patiënten bevatten.
• Met NLP kunnen analisten deze data extraheren om complexe en specifieke vragen te beantwoorden, zoals welke genetische mutaties zijn geassocieerd met kankertypen in weefsels.

Het ontstaan van psychose voorspellen

Onderzoekers publiceerden een verslag over de toepassing van NLP, met een techniek genaamd Latent Semantic Analysis, om het ontstaan van psychose te voorspellen met getranscribeerde audiobestanden van klinisch hoogrisicojongeren. Het model behaalde 93% nauwkeurigheid in training en 90% op testdatasets. Het model voorspelde goed of een patiënt psychose zou ontwikkelen, ondanks de kleine steekproef van 40 deelnemers.

Identificatie en risicostratificatie van cirrosepatiënten

Een andere toepassing van NLP in de zorg is het identificeren van cirrosepatiënten. In een andere studie werd NLP gebruikt om cirrosepatiënten te identificeren en te risicostratificeren. Deze studie kon cirrosepatiënten correct identificeren op basis van elektronische patiëntendossiers, ICD-9-codecombinaties en radiologische scans met een nauwkeurigheid van 95,71%. Dit geeft aan dat zo’n systeem in de meeste ziekenhuizen cirrosepatiënten correct zou kunnen identificeren op basis van bestaande medische data.

Identificatie van meldingsplichtige kankerdiagnoses

In een andere studie werd NLP gebruikt om meldingsplichtige kankerdiagnoses voor nationale kankerregisters te identificeren. Het doel was om de melding van kankerpatiënten aan het National Program of Cancer Registries in de VS te automatiseren. De studie gebruikte NLP om pathologierapporten en diagnoses te analyseren en kankerpatiënten te identificeren met behulp van gesuperviseerde machine learning met een nauwkeurigheid van 87,2%.

Toepassing van NLP voor voorspellende analyses

Een van de spannendste voordelen van NLP is de mogelijkheid om voorspellende analyses te ontwikkelen om de gezondheidsuitkomsten in een populatie te verbeteren. Een voorbeeld is het analyseren van socialemediaberichten om potentiële zelfmoordgevallen te detecteren en in te grijpen. Zelfdoding is een van de belangrijkste doodsoorzaken in de Verenigde Staten. In een recent onderzoek liet het National Institute of Mental Health (NIMH) zien dat ongeveer 12 miljoen volwassenen in Amerika serieuze suïcidale gedachten hebben gehad. Ongeveer 10% van deze groep maakte plannen en deed een poging.

Bron: NIMH (2021). Suicidal Thoughts and Behavior among U.S. adults.

Zorgprofessionals willen individuen of cohorten identificeren die risico lopen, zodat ze kunnen ingrijpen. Er zijn verschillende onderzoeken die zelfmoordpogingen voorspellen op basis van socialemediaberichten. Eén studie gebruikte Twitter-data om een model te ontwikkelen met een hoge nauwkeurigheid (ongeveer 70%). Belangrijke bevindingen waren dat gebruikers met een acuut risico op zelfdoding minder emoji’s in tekst plaatsen en vooral blauwe emoji’s of gebroken-hart-symbolen gebruiken. Ze plaatsten ook verdrietige of boze tweets voorafgaand aan een poging. Coppersmith (2018) voorspelde eveneens zelfmoordgevallen met NLP met een nauwkeurigheid van meer dan 70% (zie figuur met ROC).

Bron: Coppersmith et al. (2018)

Zorgorganisaties plukken nu al het laaghangende fruit van de enorme boom die datascience heet, met behulp van NLP. Grote techbedrijven ontwikkelen steeds vaker NLP-tools voor de zorg. Amazon heeft bijvoorbeeld een gebruiksvriendelijke klinische NLP-tool waarmee zorgverleners inzichten uit ongestructureerde data kunnen halen. Zo kunnen ze eenvoudig patiënten werven voor een trial, de juiste diagnose vinden en waarschuwingssystemen bouwen voor vroege detectie van aandoeningen zoals sclerose.

Python gebruiken om complexe ziekten te voorspellen en te analyseren

Analisten gebruiken machinelearningalgoritmen in Python om genetica te analyseren voor het voorspellen en het vaststellen van oorzaken van ziekte. Inzicht krijgen in hoe genetica het individueel risico beïnvloedt, kan helpen bij preventieve zorg. Dit kan artsen waardevolle informatie geven om zorgplannen voor patiënten te personaliseren en zo het risico op het ontwikkelen van complexere ziekten te verkleinen.

Het is moeilijk te voorspellen hoe een ziekte zich ontwikkelt en veel systemen zijn hierin inefficiënt, omdat sommige ziekten snel en onverwacht muteren. Met Python kunnen ontwikkelaars efficiënte ML-modellen bouwen die ziekten kunnen voorspellen voordat ze ernstig worden.

Een van de belangrijkste ontwikkelingen is next-generation sequencing (NGS) in de menselijke genetica. NGS is een integraal onderdeel van biologisch en medisch onderzoek. Het fundamentele belang van NGS heeft de vraag naar het verwerken en analyseren van de gegenereerde datasets vergroot. Dit helpt onderzoeksvragen te beantwoorden over onderwerpen als metagenomische kwantificatie en classificatie, variant calling en detectie van genomische kenmerken.

In een ander voorbeeld gebruiken Li et al. (2018) deep-learningalgoritmen die zijn getraind op een GPU om zowel heterogeniteit als epistasis van complexe ziekten te voorspellen.

Met machine learning kunnen wetenschappers ziektepatronen en trends vinden die ze op een voorspelbare manier kunnen modelleren. ML heeft dus het potentieel om nauwkeurig te voorspellen wie risico loopt op bepaalde ziekten, zoals hart- en vaatziekten, kanker en de ziekte van Alzheimer.

Tot slot heeft Google een deep-learningalgoritme ontwikkeld om kanker bij patiënten te detecteren met behulp van hun medische data. Het model is efficiënt en versnelt niet alleen het behandelproces, maar verkleint ook het risico op ernstige complicaties in de toekomst door een verkeerde diagnose.

Python gebruiken om de patiëntervaring te verbeteren

Het managen van patiënten kan veel middelen vergen. Instellingen met beperkt personeel kunnen moeite hebben om afspraken, behandelingen en het algemene welzijn van patiënten te beheren. Het ontwikkelen van zorgapps in Python kan zorginstellingen helpen om patiënten te beheren, zodat medewerkers zich op cruciale activiteiten kunnen richten.

Python-toepassingen kunnen patiënten helpen om afspraken te plannen, antwoorden te krijgen op veelgestelde vragen, herhaalrecepten aan te vragen, contact op te nemen met hulpdiensten en regelmatig hun zorggegevens te updaten voor monitoring—waardoor zorgverleners zich kunnen focussen op het behandelen van patiënten met kritieke aandoeningen.

Ziekenhuisoperaties optimaliseren

Zorginstellingen kunnen Python inzetten om problemen rond schaarse middelen op te lossen. Data scientists kunnen modellen maken die personeelsplanning optimaliseren, zodat zorginstellingen voorkomen dat een rustige dienst overbezet is of dat er te weinig personeel is op drukke dagen.

Python-gedreven toepassingen kunnen afspraken, het gebruik van diagnostische faciliteiten en behandelingen optimaliseren. Ziekenhuizen hebben beperkte ic-middelen en moeten het gebruik daarvan optimaliseren. In hun studie gebruikten Wu et al. (2021) ML om de verblijfsduur op de intensive care (ic) te voorspellen. Ze gebruikten vier verschillende ML-technieken (support vector machine, random forest, deep learning en gradient boosting decision tree). Het laatste model, gradient boosting decision tree, presteerde het beste met een nauwkeurigheid van 74,7%. Volgens marktanalisten kunnen AI-toepassingen de Amerikaanse economie tegen 2026 jaarlijks circa 150 miljard dollar besparen (Roth, 2021).

Er zijn open-sourcedatasets die je als data scientist kunt gebruiken om ML te ontwikkelen voor het voorspellen van ic-verblijfsduur en zo ziekenhuizen te helpen bij hun resourceplanning. Bekijk deze Kaggle-link om te beginnen. Daarnaast kunnen data scientists de kracht van Python ontketenen via ML-tools zoals Scikit-Learn, Keras, TensorFlow en Pytorch om zorgaanbieders te helpen hun kosten en faciliteiten beter te beheren.

Geneesmiddelenontwikkeling 

De programmeertaal Python is een toonaangevende keuze voor moderne geneesmiddelenontwikkeling. Vrijwel alle vacatures op indeed.com voor drug discovery vereisen Python-ervaring. Python leren is daarom geen keuze meer, maar een vereiste voor carrières in geneesmiddelenontwikkeling.

Een goed voorbeeld van Python in drug discovery is AstraZeneca’s PyMOL. AstraZeneca is een van de bedrijven die Python inzetten om geneesmiddelenontwikkeling te versnellen. PyMOL is een krachtig hulpmiddel om 3D-structuren van ziektedoelen weer te geven. De tool heeft 12 verschillende stereo-visualisatiemodi waarmee gebruikers verschillende structurele kenmerken in de targets duidelijk kunnen markeren en onderscheiden. Wetenschappers gebruiken de tool om de juiste bindingsplaatsen voor geneesmiddelmoleculen te vinden. De tool is ontworpen om zich goed aan te passen aan nieuwe voorspellingsmethoden. De onderstaande figuur laat zien hoe de tool miljoenen data doorspit om te helpen bij het ontwerpen van geneesmiddelprototypen.

Bron: PyMOL

Met PyMOL kun je de driedimensionale (3D) structuren van de beoogde ziekte-organismen visualiseren. Met deze visualisaties krijgen wetenschappers beter begrip van de kernproblemen, zodat ze nieuwe moleculaire constructen kunnen ontwerpen om de ziekte passend aan te pakken.

Toekomst van Python in de zorg

De toestroom van grote en complexe zorgdatasets, de noodzaak om kosten te verlagen en de krimpende zorgarbeidsmarkt stimuleren de groei van AI/ML-tools. Ook het aantal samenwerkingen tussen menselijke professionals en AI-tools neemt toe. De toekomst ziet er rooskleurig uit voor AI/ML- en NLP-ontwikkelaars, met start-ups die al mensbewuste AI-systemen bouwen. Het gebruik van robots in de zorg neemt gestaag toe.

Nieuwe toepassingen van robots in de zorg variëren van exoskeletten en protheses tot nanorobots en chirurgische robots. In de VS groeit de markt voor zorgrobots naar ongeveer 32,5 miljard dollar in 2027—met een geschatte CAGR van 21,3% voor de periode 2020–2027 (Xavor, 2021).

De strijd tegen COVID-19 blijft de marktgroei aanjagen, met AI-technologieën die worden ingezet voor beelddiagnostiek, geneesmiddelenontwikkeling, genomica en voorspellende analyses.

Bron: Markets and Markets (2022).

De U.S. National Library of Medicine stelt dat precisiegeneeskunde “een opkomende benadering voor behandeling en preventie is die rekening houdt met individuele variatie in genen, omgeving en levensstijl.”

De toekomst van de zorg ligt in handen van AI/ML, waarbij precisiegeneeskunde waarschijnlijk een van de meest impactvolle voordelen is van AI/ML in de zorg.

Het doel van precisiegeneeskunde is om precieze behandelopties voor een patiënt te vinden op basis van diens persoonlijke medische geschiedenis, genetische informatie, levensstijlkeuzes en dynamisch veranderende pathologische tests. Het onderliggende doel is om de krachtigste AI-technieken (zoals deep neural networks, zoekalgoritmen, reinforcement learning, probabilistische modellen, supervised learning en andere) te combineren om tools voor precisiegeneeskunde te ontwikkelen. De focus ligt op het creëren van AI-systemen die de kans kunnen voorspellen dat een patiënt een bepaalde ziekte krijgt op basis van vroege screening of routineonderzoeken. Python staat vooraan in de zoektocht naar precisiegeneeskunde, met ontwikkelaars die AI-tools creëren om te modelleren waarom en onder welke omstandigheden ziekten waarschijnlijker optreden. Dit is belangrijk om zorgverleners voor te bereiden en te begeleiden om in te grijpen nog voordat iemand symptomen krijgt.

Er zijn nog veel meer opwindende mogelijkheden voor het gebruik van Python bij het bouwen van AI/ML-toepassingen, zoals digitale chirurgierobots. Stel je een operatiekamer voor waar een patiënt naar binnen gaat en robots uiterst precies en veilig ingrepen uitvoeren!

Bron: Robotics business review (2022)

AI-aangedreven slimme robots kunnen hand in hand werken met chirurgen en gebruikmaken van verspreide, datagedreven inzichten en begeleiding op basis van operatiegeschiedenissen en uitkomsten. De mogelijkheden van Python in de zorg zijn eindeloos, met een toekomst die openstaat voor telemedicine en het op afstand uitvoeren van kleine ingrepen.

Conclusie 

De toepassing van Python in de zorg is niet zonder uitdagingen. Privacy- en juridische kaders staan volledige toepassing nog in de weg. Het is ook nog lastig om data te vinden die derden legaal kunnen gebruiken. Er is behoefte aan een grootschalige rationalisering van wet- en regelgeving en beleid om deze uitdagingen aan te pakken.

Als data scientists en ML-practitioners hebben we de verantwoordelijkheid om een mooie toekomst te creëren door de kracht van AI-algoritmen te benutten om kosten te besparen en het leven van miljarden mensen wereldwijd te verbeteren.

Je kunt praktische Python-skills opdoen door mee te coderen met de volgende guided projects:

• Wat je hartslag je vertelt

• Clusteren van hartziektedata van patiënten

• Nierstenen en de paradox van Simpson