Ondanks het veelbelovende potentieel van AI in vroege diagnose en preventie zijn er uitdagingen en beperkingen:

Schaarste aan gegevens: Veel systemen vereisen enorme, hoogwaardige datasets die schaars kunnen zijn. Bijvoorbeeld: een AI-systeem dat ontworpen is om longkanker te diagnosticeren aan de hand van röntgenfoto’s van de borstkas, moet trainen op meer dan 50.000 beelden waarvan is bevestigd dat ze tekenen van longontsteking of gezonde longen vertonen. Door de brede blootstelling kan AI subtiele visuele kenmerken bepalen die wijzen op honderden manifestaties van longontsteking in verschillende leeftijden, rassen, omgevingen, etc. Zonder het analyseren van duizenden beelden kan AI niet op betrouwbare wijze diagnosticeren. Een beperkte dataset zorgt ervoor dat varianten gemist worden of dat er onnauwkeurige diagnoses worden gesteld. Ook de kwaliteit van de gegevens is enorm belangrijk: de gegevens in de dataset moeten onderzocht zijn door radiologen.
Privacy van gegevens: Gezondheidsgegevens zijn vaak gevoelig en persoonlijk. Het trainen van AI-algoritmen brengt ethische dilemma’s met zich mee rond het handhaven van privacyrechten van mensen. De toegang die AI krijgt tot gezondheidszorgdatasets wordt verleend door de toestemming die de patiënt geeft. De EU GDPR-regelgeving (General Data Protection Regulation)
Algoritmische rechtvaardigheid: Terwijl AI-algoritmen patronen proberen identificeren, kunnen ze onbedoeld maatschappelijke vooroordelen versterken en ondervertegenwoordigde groepen op oneerlijke wijze discrimineren. Een AI-tool die het risico op hartziekten voorspelt, kan bijvoorbeeld ten onrechte zwarte patiënten identificeren als mensen met een hoger risico, uitsluitend op basis van hun ras. Als we echter kijken naar hun werkelijke gezondheidsindicatoren, zoals voeding, lichaamsbeweging en familiegeschiedenis, lijken ze sterk op blanke patiënten die voorspellingen met een lager risico krijgen. Dit toont aan dat de AI etniciteit gebruikt als vervanging voor risico’s zonder goed klinisch bewijs, in plaats van onbevooroordeeld te blijven. Dit kan zijn omdat de AI-tool getraind is op datasets met een onevenredig groot aantal blanke patiënten vergeleken met het aantal zwarte patiënten. Dit leidt tot een overschatting van het cardiovasculaire risico bij de beperkte voorbeelden van zwarte patiënten. Het is dus belangrijk dat de AI wordt getraind. Zo niet slaagt de AI er niet in voldoende gedetailleerde risicopatronen over verschillende populaties te leren.
Vertrouwen van artsen: Het vertrouwen van artsen in AI blijft laag, zowel vanwege scepsis over algoritmische rechtvaardigheid als gebrek aan training. Veel clinici geloven dat ze niet voldoende training krijgen over hoe ze medische technologie moeten gebruiken. Bovendien moeten de regelgeving voor medische AI verder worden ontwikkeld.

Hoewel deze uitdagingen blijven bestaan, belooft de toekomst van AI nauwkeurigere, betaalbare en toegankelijke gezondheidszorg door de diagnostische mogelijkheden van artsen te vergroten. AI-diagnose zal waarschijnlijk steeds meer worden toegepast in de gezondheidszorg om klinische besluitvorming te ondersteunen en zal zowel artsen als patiënten enorm ten goede komen.

Aanvullende bronnen

American Cancer Society. (2019). Cancer Prevention & Early Detection Facts & Figures 2019-2020. https://www.cancer.org/content/dam/cancer-org/research/cancer-facts-and-statistics/cancer-prevention-and-early-detection-facts-and-figures/cancer-prevention-and-early-detection-facts-and-figures-2019-2020.pdf

Will AI transform health care? Most doctors are hopeful, but lack trust (For now). (2023, October 3). BenefitsPRO. https://www.benefitspro.com/2023/10/03/will-ai-transform-health-care-most-doctors-are-hopeful-but-lack-trust-for-now/