Gaat AI mijn gezondheid verbeteren?

Sinds de toevallige uitvinding van penicilline is onze gezondheid niet meer iets wat we graag aan het toeval overlaten. We willen namelijk allemaal zo snel, deskundig en goedkoop mogelijk geholpen worden. Sterker nog, we willen liever voorkomen dat we ziek worden dan te moeten genezen! Hoe kan A.I. hieraan bijdragen en wat kunnen we in de toekomst verwachten?

In Nederland hebben we al te kampen met mogelijk hoogoplopende doktersrekeningen, maar in andere landen kan die rekening een stuk hoger oplopen. Om nog maar te zwijgen over het vinden en bereiken van specialistische zorg in deze landen. Ook de kennis over bepaalde aandoeningen is niet voor iedereen gemakkelijk beschikbaar.

Diabetes in India

Zo zien we bijvoorbeeld in India dat het aantal gevallen diabetische retinopathie toeneemt. Zoals de naam impliceert heeft diabetische retinopathie te maken met de ziekte diabetes. Bij deze aandoening wordt het netvlies beschadigd wat totale blindheid als gevolg kan hebben. In India kampen veel mensen met deze aandoening, maar kunnen hier weinig of niets aan doen. Onder andere de slechte infrastructuur voor mensen die buiten de stad wonen bemoeilijkt het bezoeken van een specialist. Daar komt bij dat deze mensen vaak minder vermogen bezitten dan de mensen die in de stad wonen en de juiste zorg niet kunnen veroorloven.

Een team van Google erkende dit probleem en stelde een team bijeen om hier iets aan te doen [1]. Het team bestond onder andere uit oogheelkundigen die de data (netvlies scans) voorzag van een label om zo het machine learning model te kunnen trainen. De belangrijkste indicatoren van diabetische retinopathie werden op deze manier geïdentificeerd door middel van image recognition en constant getraind door het model totdat het presteerde op het niveau van een professionele oogarts. Het resultaat: een snelle, deskundige en goedkope diagnose die laagdrempelig beschikbaar is voor iedereen!

Medicijnen ontwikkelen

Medicijnen ontwikkelen kost veel geld en het proces van in vitro (chemisch buiten de cel) tests naar in vivo (in levende organismen) tests duurt heel lang. Een reden waarom dit zo lang duurt, is omdat het veel tijd kost om een target molecuul (een molecuul wat kan binden aan een ander molecuul of atoom) te vinden en een functionele groep (een groep aan atomen met bepaalde bindingen) vinden die het gewenste effect heeft op het target molecuul. Een chemicus doet dit allemaal zelf wat heel veel tijd en geld kost. Machine learning en neurale netwerken kunnen hierbij helpen door dit designproces te versnellen. Zo is er bijvoorbeeld gewerkt aan een manier waarop de moleculaire structuur kan worden weergegeven in grafieken, waardoor het neuraal netwerk de verschillende target moleculen zelf kan ontleden door middel van tree decomposition [2]. Door visuele weergaves te gebruiken kunnen de functionele groepen ook zodanig worden veranderd dat de potentie verbetert. Het resultaat? Valide en potente moleculen die als basis voor nieuwe medicijnen kunnen worden gebruikt. En zo is dit nog maar één van de vele artikelen over de innovaties in de ontwikkelingen van medicijnen [3, 4, 5].

Kanker

Wat kan A.I. betekenen voor kankeronderzoek? Het verzamelen van data voor gebruik in patiëntenbehandeling is erg lastig. Vaak is het zoeken naar een naald in de hooiberg aan artikelen die gepubliceerd zijn in de laatste paar jaar. Data analyse zou hier echter een oplossing voor kunnen bieden door alle beschikbare artikelen door te kunnen gaan en bepaalde keywords eruit kan halen die praktische informatie kunnen geven voor de behandelaars. Daarnaast is er ook een deep learning neural network ontwikkeld die foto’s van bijvoorbeeld mammogrammen kan gebruiken om de kans op kanker te voorspellen. Zo kan er vroegtijdig hulp geboden worden, wat een hogere overlevingskans biedt voor vrouwen.

A.I. is al een grote slag aan het slaan in de medische wereld. En ik denk dat we allemaal blij zijn wanneer we daardoor steeds meer een gerust hart kunnen hebben over onze gezondheid.

Wil je ook leren hoe je meer uit je data kunt halen? Kijk dan eens naar onze cursussen!

Referenties

[1] https://about.google/stories/seeingpotential/
[2] http://news.mit.edu/2018/automating-molecule-design-speed-drug-development-0706
[3] https://www.youtube.com/watch?v=l_NfukhR2XU
[4] https://arxiv.org/abs/1708.08227
[5] https://www.youtube.com/watch?v=YQjqLwJe3OI
[6] https://www.youtube.com/watch?v=wf6gCyg8Ah8