Programma

Artificial intelligence in de GGz

Klik op de presentatietitel voor meer informatie!

09:30 – 10:00 uur

Ontvangst en registratie

10:00 – 10:10 uur

Artificial intelligence in de GGz – Ruud Koolen

Is AI dé oplossing voor de overbelaste GGz en de vergrijzing die stevig doorzet? De GGZ-sector staat onder druk en mogelijk kan AI een verschil maken. Waarschijnlijk niet als vervanging, maar als aanvulling op menselijke expertise. Bijvoorbeeld algoritmes die helpen bij het snel en accuraat stellen van diagnoses. Zo hebben wetenschappers aan Harvard en MIT een algoritme ontwikkeld dat stempatronen analyseert en diagnoses stelt die tot 70% overeenkomen met die van psychiaters.

Of tools zoals de ‘Woebot,’ een AI-chatbot die op ieder moment van de dag beschikbaar is voor mensen met depressie of verslavingsproblemen. Ook kan AI al worden ingezet voor preventie. Door vroegtijdige signalen van bijvoorbeeld een aankomende depressie te detecteren, kunnen er tijdig interventies plaatsvinden. Zo kan technologie cliënten ‘empoweren’ om beter met hun conditie om te gaan.

Maar, het is niet het ei van Columbus. Ethiek en privacy blijven belangrijke vraagstukken, en de menselijke factor in zorg blijft onvervangbaar. Desalniettemin, AI biedt boeiende mogelijkheden voor een meer efficiënte en effectieve GGZ. Het is aan professionals in het veld om deze tools kritisch te evalueren en te integreren in een holistische behandelstrategie.

10:10 – 10:40 uur

De basis van AI – Floriane Jaspers

Wat is kunstmatige intelligentie eigenlijk? Simpel gezegd: machines die taken uitvoeren waar normaal gesproken menselijke intelligentie voor nodig is. Dat betekent niet dat AI zelf kennis creëert maar AI filtert bestaande kennis en legt verbanden op een razendsnelle manier.
Dus nee, er zit geen robot in de spreekkamer die het werk overneemt, maar AI kan wel assisteren. Denk aan een AI-chatbot voor het voeren van intakes of een AI-analysesysteem dat helpt bij het stellen van diagnoses of een automatische notuleersysteem.

Tot slot, de termen ‘machine learning’ en ‘deep learning’: beide vormen van AI maar met verschillende complexiteiten. Machine learning is goed in het herkennen van patronen, terwijl deep learning, zoals neurale netwerken, complexere analyses kan maken. Bijvoorbeeld, machine learning kan symptoomclusters identificeren, terwijl deep learning zelfs samenhangende ziektebeelden kan herkennen.

Dus, AI in de GGZ? Geen sci-fi maar een ontwikkeling die niet te missen is. Het kan ons helpen efficiënter en effectiever te zijn, zolang we ons maar bewust zijn van de beperkingen.

10:40 – 11:00 uur

Een voorbeeld uit de praktijk: de samenwerking tussen AI en de therapeut – Bastiaan van de Rakt en Anouk Wolters

Het gebruik van AI in de GGZ heeft veel potentie om de druk op therapeuten te verminderen en de zorg meer te personaliseren voor cliënten. Voorwaarde hiervoor is een goede samenwerking tussen het AI model en de therapeut. Een therapeut zou moeten kunnen begrijpen hoe het AI model werkt en tot een aanbeveling komt, om feedback te kunnen geven op het AI model. Alleen zo kunnen modellen over de tijd nauwkeuriger worden. Deeploy heeft samen met partners NiceDay en Councyl een uitlegbaar AI systeem met een human-in-the-loop ontwikkeld, waarbij de therapeut de aanbeveling van het AI model kan volgen om vervolgens zelf te bepalen om deze te accepteren of te herzien, en feedback geven op deze aanbeveling. Deze feedback wordt vervolgens gebruikt om het model te verfijnen, waardoor het met de tijd steeds nauwkeuriger wordt. Dankzij Deeploy’s software wordt de controle gehouden op de AI modellen, worden AI aanbevelingen uitgelegd en wordt de feedbackloop gerealiseerd.

11:00 – 11:30 uur

Koffiepauze

11:30 – 12:00 uur

The promise and pitfalls of artificial intelligence for predicting the onset and course psychiatric disorders * – Prof.dr. André Marquand

Applying artificial intelligence techniques to large datasets containing diverse sources of information can now enable us to predict the onset and course of psychiatric disorders at the level of the individual person and may ultimately contribute to the development of more personalised treatment. However, this technology comes with risks as well as benefits. In this talk I will provide a balanced discussion of these tradeoffs and a perspective for realistic, fair and equitable use of AI technology in biomedical science.
Het toepassen van kunstmatige intelligentietechnieken op grote datasets met diverse informatiebronnen stelt ons nu in staat om het begin en het verloop van psychiatrische aandoeningen op individueel niveau te voorspellen. Dit kan uiteindelijk bijdragen aan de ontwikkeling van meer gepersonaliseerde behandelingen. Echter, deze technologie brengt zowel risico’s als voordelen met zich mee. In deze lezing zal ik een evenwichtige bespreking van deze afwegingen bieden en een perspectief geven voor een realistisch, eerlijk en gelijkwaardig gebruik van AI-technologie in de biomedische wetenschap.

12:00 – 12:20 uur

Een voorbeeld uit de praktijk: snel het juiste klinische antwoord opzoeken – Dr. Philippe Habets en Dr. David van IJzendoorn

Even snel iets opzoeken is een uitdaging in de klinische setting. De hoeveelheid beschikbare informatie is enorm en tijd schaars. Zo ontstaat er een flinke barrière om klinische beslissingen te toetsen aan actuele richtlijnen en het nieuwste onderzoek. EvidenceHunt biedt hier een oplossing voor met zijn geavanceerde, door kunstmatige intelligentie aangedreven platform. Beschouw EvidenceHunt als een chatbot voor medische kennis. Gebruikers kunnen in eenvoudige taal vragen stellen. Of je nu een medisch professional bent, een onderzoeker, of iemand die nieuwsgierig is naar een gezondheidsonderwerp, EvidenceHunt filtert door stapels medische literatuur en actuele medische richtlijnen, en levert heldere antwoorden met directe links naar de bronmaterialen. Het platform is gebaseerd op kunstmatige intelligentie, maar de focus ligt op het simpel en betrouwbaar maken van informatie. Het waarschuwt gebruikers ook voor nieuwe klinische proeven en helpt bij het doorzoeken van onderzoeksdatabases. De platformtechnologie biedt mogelijkheden voor elke kennisbron, wat snelle toegang tot alle voor de klinische praktijk relevante kennis mogelijk maakt. Maar daar stopt het niet. Binnenkort is het zelfs mogelijk om te chatten met richtlijnen en zorgstandaarden.

12:20 – 12:50 uur

De randvoorwaarden om AI te implementeren en accepteren: ervaringen op de IC – Dr. Michel van Genderen

Slechts 2% van AI-modellen ontwikkeld voor de kliniek maakt het tot productie. Het Erasmus MC heeft daarom de Datahub gelanceerd: een plek waar artsen, IT’ers en datawetenschappers fysiek samenkomen om te brainstormen. Belangrijk is dat het model voldoet aan ethiek en wetgeving, en daadwerkelijk klinische problemen oplost die medewerkers ervaren.
Tijdens de COVID-19 crisis werd de waarde van real-time data duidelijk, wat tot verdere ontwikkeling van de Datahub leidde. Een van de modellen die de Datahub heeft ontwikkeld is het DESIRE-model. DESIRE is een AI model dat voorspelt wanneer een patiënt na grote oncologische chirurgie het ziekenhuis kan verlaten. Dit leidt tot veiliger ontslag maar ook een besparing van het aantal opnamedagen per jaar. Dit kan dan weer leiden tot afname van de zorgkosten.

Hiernaast is ook ICUMAPS ontwikkeld, een real-time dashboard waar IC-verpleegkundigen real-time informatie kunnen ophalen. Op deze dashboards kunnen ook AI modellen draaien waarbij een verpleegkundige bijvoorbeeld kan worden ondersteund in het geven van zorg. Het uiteindelijke doel is deze manier van werken uit te breiden naar andere patiëntengroepen en afdelingen. Het overgrote deel van de verpleegkundigen is enthousiast over het gebruik van AI voor beslisondersteuning.

12:50 – 13:50 uur

Lunchpauze

13:50 – 14:20 uur

AI en de arts-patiëntrelatie: Brave New World of juridisch bedrijfsongeval? – Mr. dr. Roland Bertens

AI stelt de psychiatrische en psychologische wetenschap voor nieuwe kansen, bijvoorbeeld op het gebied van (grootschalige) datavergaring alsmede de razendsnelle analyse van die data. Ook in de spreekkamer en de kliniek levert AI nieuwe mogelijkheden op, bijvoorbeeld waar het snellere diagnosticering en continue monitoring van de (psychologische) staat van patiënten betreft. De vraag is echter hoe al die nieuwe en spannende technieken zich verhouden tot de therapeut-patiëntrelatie, die van oudsher wordt gekenmerkt door bijzondere rechten en plichten die in Nederland goed in de wet zijn verankerd. Wat gaat AI betekenen voor shared decision-making? Hoe zit het met het beroepsgeheim? En moet het mogelijk worden patiëntgegevens makkelijker te analyseren met behulp van algoritmes waarvan de hulpverlener de werking lang niet altijd snapt?

Tijdens deze presentatie zullen een paar van de bovengenoemde kernthema’s uit het gezondheidsrecht worden besproken in het licht van de nieuwe ontwikkelingen op het gebied van artificial intelligence.

14:20 – 14:40 uur

Een voorbeeld uit de praktijk: Eerste stappen naar een administratie-vrije GGZ – Anneke Lalleman en Bas Stadhouders

Aan de hand van het praktijkvoorbeeld van GGZ WNB waar AI wordt ingezet wordt een duidelijk beeld geschetst van de mogelijkheden en beperkingen. Zo gaan bij deze instelling het intakeproces gestroomlijnd worden door de diverse gesprekken met de cliënt niet langer handmatig te verwerken maar automatisch om te zetten van audio naar tekst. Deze transcripties worden hierna omgezet naar gestructureerde rapporten, die direct geïntegreerd worden in het EPD. Daarnaast wordt AI ook ingezet om het aantal no-shows te verminderen. Door het analyseren van data kan worden voorspeld welke afspraken een verhoogd risico hebben op no-shows. Hierop worden vervolgens proactief maatregelen genomen. Een derde voorbeeld betreft het aantonen van geleverde diensten aan verzekeraars. Waar voorheen veel handmatige verificatie nodig was, kan met AI automatisch worden gecontroleerd en gevalideerd of een bepaalde dienst daadwerkelijk is geleverd.

14:40 – 15:10 uur

AI om de behandeling van depressie te personaliseren – Prof. dr. Guido van Wingen

De GGz kent een lange geschiedenis waarin is geprobeerd om de uitkomst van behandeling te voorspellen. Er is veel onderzoek gedaan waaruit blijkt dat meerdere klinische variabelen samenhangen met therapie uitkomst. De voorspellende waarde van die klinische variabelen is echter vooralsnog niet voldoende gebleken om die te gebruiken in de klinische praktijk. Recente ontwikkelingen laten zien dat de uitkomst van therapie wel goed voorspeld kan worden middels zogenaamde machine learning analyse van neuroimaging data. Machine learning is een techniek uit de kunstmatige intelligentie die op basis van alle beschikbare informatie een model maakt dat voorspellingen doet voor nieuwe patiënten. Uit recente meta-analyses naar machine learning modellen voor depressie blijkt dat MRI en EEG de uitkomst van psychotherapie, farmacotherapie, transcraniële magnetische stimulatie en elektroconvulsietherapie voor ongeveer acht van de tien patiënten correct kunnen voorspellen (Cohen et al., 2021/2023). Dit maakt de weg vrij voor de ontwikkeling van instrumenten om behandelaars te assisteren bij de behandelkeuze en waarmee de behandeling op de patiënt kan worden afgestemd. In deze lezing zal ik illustreren wat EEG en MRI scans meten, hoe machine learning werkt en hoe gepersonaliseerde behandeling er in de toekomst uit kan gaan zien.

15:10 – 15:40 uur

Theepauze

15:40 – 16:10 uur

AI en ethiek: kansen, uitdagingen en de onmisbare rol van de zorgprofessional – Dr. Karin Jongsma

AI staat op het punt om een revolutie teweeg te brengen in de zorg, maar de menselijke expertise en klinische blik blijft onvervangbaar. Ondanks de veelbelovende resultaten in beeldanalyse en routinematige taken die AI toont, is het (nog) niet klaar om complexe diagnostiek en behandelbeslissingen over te nemen. Juridisch gezien draagt de medisch specialist nog steeds de eindverantwoordelijkheid. De samenwerking tussen technologiebedrijven en de medische sector is cruciaal, maar niet zonder uitdagingen. Grote techreuzen zoals Google en Microsoft zijn vaak meer winstgedreven, terwijl kleinere innovatieve spelers zich meer richten op patiëntenzorg. Transparante afspraken over kosten, kwaliteit en data-eigendom zijn hierbij essentieel.
Een van de grootste uitdagingen is het gevaar van bias in AI-systemen. Data kan makkelijk scheefgetrokken worden door variabelen zoals etniciteit, leefpatroon of welstand, wat kan leiden tot ongelijkheden in de gezondheidszorg. Daarnaast is het belangrijk dat zowel professionals als patiënten voldoende vertrouwen hebben in AI-toepassingen en dat deze goed geïntegreerd kunnen worden in bestaande werkprocessen. De onderzoeker en/of zorgprofessional zal moeten leren om zijn of haar expertise in te zetten in een landschap dat steeds meer door technologie wordt gedomineerd.

16:10 – 16:30 uur

Een voorbeeld uit de praktijk: Leren van complexe psychiatriedata met speciaal oog voor privacy van patiënten – Dr. Rosanne Turner

Leren van data in de psychiatrie is net even een zwaardere kluif dan leren van data bij andere medische specialismen. Ziekteprocessen in de psychiatrie zijn bijzonder complex: symptomen, bijwerkingen, behandelkeuzes en andere externe factoren hebben veel interacties met elkaar. Een verandering in een van de factoren in zo’n “web” kan de aanzet geven tot het in gang zetten van het in remissie gaan van de ziekte, of juist tot een verslechtering of veranderde reactie op interventies. Dit zorgt ervoor dat traditionele analysemethoden, zoals bijvoorbeeld randomized clinical trials geanalyseerd met p-waardes en lineaire modellen, geen goede afspiegeling geven van het effect van interventies en het verloop van ziektes in de psychiatrische praktijk.

Om patiënten beter te kunnen adviseren in de psychiatrie moeten we 1) leren van complexere data en grote hoeveelheden data, waarin informatie over veel meer aspecten van het ziekteproces gerepresenteerd is en 2) leren met methoden die de complexiteit van psychiatrische ziektebeelden kunnen vangen. Hiervoor doen we bij de PsyData groep in het UMC Utrecht onderzoek naar methoden om beter en op een veilige manier te leren van onder andere klinische teksten, waarbij data niet de ziekenhuizen en zorginstellingen verlaat maar machine learning algoritmes langs verschillende ziekenhuizen gestuurd worden en alleen niet-herleidbare informatie mee terug mogen nemen. In deze presentatie zal verteld worden over de uitlegbare algoritmes en methoden die we hiervoor over de afgelopen jaren ontwikkeld hebben, en over een recente proof-of-concept met zo’n manier van gezamenlijk veilig onderzoek doen met meerdere GGZ instellingen.

16:30 – 17:30 uur

AI in de dag van morgen, volgende maand en volgend jaar – Floriane Jaspers in gesprek met Pieter van Kuilenburg en Mathijs van Meerkerk.

Uit de presentaties maken we op dat AI niet feilloos is. Het kan fouten maken of zelfs bevooroordeeld zijn, afhankelijk van de data waarmee het is getraind. Juist in de zorg, waar elke beslissing telt, moeten we kritisch zijn op wat AI aangeeft maar we moeten ook open staan voor AI als hulpmiddel. Het kan kansen bieden en volop mogelijkheden om bij te dragen aan een effectieve en efficiënte gezondheidszorg. Met soms eenvoudige hulpmiddelen kunnen nu al bepaalde taken worden ontlast op administratief gebied. Ook kan een goed gebruik van data leiden tot betere diagnostiek en gepersonaliseerde behandeling. En de toekomst brengt nog meer.
Op basis van de take-home messages uit iedere presentatie, wordt de dagelijkse praktijk op korte, midden en lange termijn voorspeld rekening houdend met de bijzondere aard van de GGz.

* presentatie in het engels

Artificial intelligence in de GGz

Donderdag 30 november 2023
10:00 – 17:30 uur
Bibliotheek Neude, Utrecht