“We leren heel traag”


Hoe strenger de richtlijnen voor de zorg, hoe minder nuttig data zijn

Is het moreel aanvaardbaar dat mensen overlijden, terwijl we over de technologische mogelijkheden beschikken om dat te voorkomen?, is de vraag aan Maurits Kaptein. Hij reageert met lichte verwondering in de ogen, uiterst resoluut: “Dat is wat er nú aan de hand is.” Maurits Kaptein is gepassioneerd om een duidelijk beeld te schetsen van de mogelijkheden van digitale technologie, om iedereen bij te spijkeren. Want: een manager die geen verstand heeft van financiën en zijn eigen balans niet kan lezen, moet een MBA doen, op cursus of wordt ontslagen. Als het om technologie gaat, kunnen bestuurders het afdoen met ‘daar gaat ICT over’. “De technologische mogelijkheden zijn immens groot”, maar ook een observatie, “we leren heel traag.”

“De coronacrisis is een voorbeeld van traag leren”, zegt Maurits. De coronacrisis deed onze minister president verzuchten dat hij beslissingen moet nemen, terwijl hij maar beperkt over informatie beschikt. “Je moet gedragsinterventies slimmer opzetten, om er duidelijke conclusies aan te verbinden”, zegt Maurits. Als dezelfde maatregelen voor iedereen gelden, is het lastiger ervan te leren, dan we zouden doen als er verschillende maatregelen voor bijvoorbeeld geografisch verschillende groepen zouden gelden, zoals boven- en onder de rivieren. “Bij veel onzekerheid is er sprake van het exploratie/exploitatie dilemma. Je wilt graag de juiste dingen doen, maar moet een balans vinden tussen doen wat je nu denkt dat goed is, en doen waarvan je in de toekomst wijzer wordt. Af en toe moet je iets uitproberen om in de toekomst betere beslissingen te nemen. Als je dat dilemma goed begrijpt, kom je dat eigenlijk overal in de maatschappij tegen.”

Maurits Kaptein is bijzonder hoogleraar Datascience & Health aan de Jheronimus Academy of Data en werkzaam aan de universiteit van Tilburg. Hij promoveerde cum laude aan de TU Eindhoven en Stanford Universiteit met onderzoek naar beïnvloedingsprofielen. Hij publiceerde ‘Hallo wereld, hallo computer’ waarin hij een pleidooi houdt om digitale technologie beter te willen begrijpen. Zo kunnen falende systemen en mislukte ICT-trajecten voorkomen worden, mooier nog: zo kunnen we inzetten op slimmer leren en de technologie ons écht laten helpen.

“Datascience is een spannend vakgebied. Big data is een modewoord, er wordt veel onzin over gezegd. Het is cruciaal dat datascientists wéten en snappen wat de kwaliteit van de data is, hóe de data zijn verzameld en met welke intentie. Als je het verhaal van de dataset niet goed kent, is de kans groot dat ermee werken niet goed uitpakt.”

Op korte termijn zie ik nog niet gebeuren dat we precies kunnen leren wát voor wie precies werkt. Hiervoor is vaak simpelweg de data niet beschikbaar. Ik zie daarentegen wel een roep in de zorg naar meer richtlijnen voor behandeling. Er is een perceptie dat zorg die niet voldoet aan de richtlijnen, slechte zorg is. Dat hoeft helemaal niet zo te zijn. Ik stel vast: hoe strenger de richtlijnen voor de zorg, hoe minder nuttig data zijn.” Door richtlijnen te volgen creëren we data waar we in de toekomst maar weinig van kunnen leren.

Trials en real world data

Er zijn beperkingen aan trials waarin behandelingen en medicijnen worden onderzocht. “Aan trials doet een beperkte groep mensen mee”, zegt Maurits Kaptein. “Als een medicijn en behandeling eenmaal zijn goedgekeurd, krijg je echter te maken met een enorme diversiteit van patiënten in termen van leeftijd, levensstijl en co-morbiditeit. De roep om meer met real world data te doen is daarom begrijpelijk, maar lang niet altijd de oplossing. Stel dat je onderzoek zou doen naar 50.000 patiënten met borstkanker, en je onderzoekt het effect van chemotherapie. Er is een groep die dat kreeg en een groep die een andere behandeling kreeg. Je stelt vast dat in de groep die chemo kreeg méér patiënten overlijden. Wát heb je dan vastgesteld? Je loopt een groot risico als je onvoldoende weet wie waarom welke behandeling kreeg. Je kan bijvoorbeeld niet vaststellen dat de andere behandeling effectiever is, als de status van de kanker bij mensen die chemo kregen voorgeschreven slechter was.”

Overwaardering datascience

“Datascientist worden overgewaardeerd als mensen die alle problemen oplossen. Als je hackatons vaak genoeg herhaald, zóu het zo kunnen zijn dat je geluk hebt en nieuwe inzichten krijgt. Er zijn ook andere manieren waarmee je die inzichten kunt krijgen die in mijn ogen efficienter zijn: door op langere termijn samenwerkingen op te zetten van data scientists en zorg-professionals.”

“In de zorg duren processen heel lang en IT integratie is een probleem. Afspraken erover zijn niet helder. AI modellen die kunnen worden toegepast in ziekenhuizen staan mede daarom nog in de kinderschoenen. Naar mijn idee is er nog zeker 10 tot 20 jaar nodig voordat we échte personalisatie verder kunnen brengen. Er zijn limieten wat je met data kunt leren. Er zijn realistische verwachtingen nodig.“

Input/output, voorbeeld van machinelearning

Maurits Kaptein denkt dat quick wins van datascience vooral te vinden zijn bij leren van data via betrekkelijk eenvoudige input-output werkwijzes. Voorbeeld. Er zijn duizenden foto’s met huidafwijkingen (de input) en het oordeel van dermatologen (de output) met een algoritme bekeken. Een app kan nu als iemand een foto upload aangeven of je je over een plekje op of in de huid zorgen moet maken. Iemand die een foto upload, krijgt direct een oordeel of het plekje potentieel schadelijk is.