2025-10-21 Slides Tom Gastcollege AI REVAKI.pdf

# Introductie tot kunstmatige intelligentie in de gezondheidszorg Dit onderwerp introduceert het concept van kunstmatige intelligentie (AI) en de relevantie ervan binnen de gezondheidszorgsector, inclusief de evolutie en subdisciplines zoals Machine Learning en Generatieve AI. ### 1.1 Wat is kunstmatige intelligentie? Kunstmatige intelligentie wordt gedefinieerd als het vermogen van een machine om mensachtige vaardigheden te vertonen, zoals redeneren, leren, plannen en creativiteit. Dit vormt de kern van de discussie over de integratie van AI in de gezondheidszorg [2](#page=2). ### 1.2 Evolutie en subdisciplines van AI De ontwikkeling van AI wordt gekenmerkt door een acceleratie die wordt gevoed door een "data-explosie" uit diverse bronnen. Deze data-explosie komt voort uit de groeiende beschikbaarheid van medische beeldvorming, genomica, elektronische patiëntendossiers (EPD's), wearables, Internet of Things (IoT) apparaten, en telegeneeskunde/digitale gezondheid. Naast de data-explosie, draagt ook de toename van rekenkracht bij aan deze acceleratie [3](#page=3) [4](#page=4) [5](#page=5) [6](#page=6). De evolutie van AI toont een hiërarchie van subdisciplines [3](#page=3): * **Artificial Intelligence (AI)**: Het overkoepelende veld. * **Machine Learning (ML)**: Een subveld van AI dat machines in staat stelt te leren van data zonder expliciet geprogrammeerd te zijn. * **Deep Learning (DL)**: Een verdere subdiscipline binnen ML die gebruikmaakt van kunstmatige neurale netwerken met meerdere lagen om complexe patronen te leren. * **Generatieve AI (Gen AI)**: Een tak van AI die gericht is op het creëren van nieuwe content, zoals tekst, beelden of muziek. * **Large Language Models (LLM)**: Specifieke AI-modellen die getraind zijn op enorme hoeveelheden tekstdata en in staat zijn menselijke taal te begrijpen en te genereren, zoals ChatGPT. > **Tip:** Het is belangrijk om de relatie tussen deze concepten te begrijpen; Deep Learning is een type Machine Learning, en Machine Learning is een onderdeel van AI. Generatieve AI en LLM's zijn recentere, geavanceerde toepassingen binnen dit veld. ### 1.3 Context van AI in de gezondheidszorg De gezondheidszorg ondergaat een significante transformatie, waarbij technologie een centrale rol speelt. Digitalisering is overal, en er is een groeiende behoefte aan een constructief, kritisch denkkader voor AI in de gezondheidszorg [11](#page=11) [16](#page=16) [2](#page=2). #### 1.3.1 De rol van data en rekenkracht De toename van digitale gezondheidsdata, afkomstig uit diverse bronnen zoals genomica en wearables, is een cruciale drijfveer voor de toepassing van AI. Verbeterde rekenkracht maakt het mogelijk om complexe algoritmen op deze grote datasets toe te passen, wat leidt tot versnelling van innovaties [4](#page=4) [5](#page=5) [6](#page=6). #### 1.3.2 Waardecreatie in de gezondheidszorg De gezondheidszorg wordt geconfronteerd met verschillende uitdagingen, zoals technologische tsunami's, investeringsbehoeften versus budgetverlagingen en veranderende demografie. AI wordt gezien als een middel om waarde te creëren, wat gedefinieerd kan worden in termen van kwaliteitsverbetering en kostenefficiëntie. Dit kan leiden tot betere uitkomsten, een betere patiëntervaring en een beter bedrijfsmodel [10](#page=10) [17](#page=17) [18](#page=18) [19](#page=19) [51](#page=51). #### 1.3.3 Visie op de toekomst De visie is een mondige patiënt en een bekwame zorgverlener, ondersteund door de juiste technologie die zo onzichtbaar mogelijk is, maar zo aanwezig als nodig. Dit vereist een integratie van zowel de technologische als de menselijke componenten van zorg [20](#page=20) [46](#page=46) [7](#page=7). ### 1.4 Criteria voor succesvolle AI-integratie in de gezondheidszorg Voor een succesvolle integratie van AI in de gezondheidszorg moeten verschillende criteria worden overwogen [44](#page=44): * **Desirability (wenselijkheid)**: Wordt de oplossing daadwerkelijk gebruikt door mensen [45](#page=45) [46](#page=46)? * **Feasibility (haalbaarheid)**: Kan de technologie bieden wat we willen, en beschikken we over de juiste en voldoende data [47](#page=47) [48](#page=48)? * **Viability (levensvatbaarheid)**: Kunnen we de oplossing op de lange termijn ondersteunen en schalen? Brengt het echte waarde [49](#page=49) [50](#page=50)? * **Ethical (ethisch)**: Hoe zorgen we ervoor dat AI rechtvaardig, toegankelijk, onbevooroordeeld en verantwoordelijk is? Zorgen over energieverbruik en de waarheidsgetrouwheid van informatie (fact-checking) zijn hierbij relevant. Bias in data en algoritmen is een cruciaal ethisch punt [51](#page=51) [52](#page=52) [53](#page=53) [54](#page=54) [55](#page=55). * **Legal (juridisch)**: Hoe beschermen we patiënten tegen onveilige oplossingen? Er is een explosie aan regels en regelgeving die gevolgd moeten worden [56](#page=56) [57](#page=57) [58](#page=58). * **Causal (causaal)**: Hoe kunnen we zeker zijn dat we de juiste conclusies trekken uit de data? AI wordt gezien als een patroonzoeker, maar de oorzakelijkheid is essentieel voor het trekken van geldige conclusies [59](#page=59) [60](#page=60). * **Explainable (verklaarbaar)**: Hoe kunnen we de antwoorden van AI-systemen begrijpen? Transparantie en het balanceren van begrip versus vertrouwen zijn hierbij belangrijk [61](#page=61) [62](#page=62). > **Tip:** Het concept van de "DESIRABLE, FEASIBLE, VIABLE, ETHICAL, LEGAL, CAUSAL, EXPLAINABLE" (DFV-ELCE) kaders biedt een gestructureerde manier om de potentiële impact en implementatie van AI-oplossingen in de gezondheidszorg te evalueren [44](#page=44). ### 1.5 Toepassingsgebieden (voorbeelden) AI in de gezondheidszorg kan toegepast worden op diverse gebieden, waaronder: * **Massive Data Triage**: Het efficiënt verwerken en prioriteren van grote hoeveelheden patiëntendata [31](#page=31). * **Vision AI**: Gebruik van AI voor beeldanalyse, bijvoorbeeld in medische beeldvorming [31](#page=31). * **Genome Correlation**: Het vinden van verbanden in genomische data voor diagnostiek of therapie [32](#page=32). * **Target Discovery**: Identificeren van nieuwe doelen voor medicijnontwikkeling [32](#page=32). * **Digital Body & Bionics**: Toepassingen gerelateerd aan prothesen en digitale representaties van het lichaam [33](#page=33). * **Incidental Findings**: Het detecteren van onverwachte, maar potentieel belangrijke bevindingen in medische scans of data [33](#page=33). * **Hypothesis Detection**: Het helpen formuleren van nieuwe wetenschappelijke hypotheses op basis van data-analyse [34](#page=34). De tekst noemt ook specifieke toepassingen in sport en bewegingswetenschappen, die de veelzijdigheid van AI illustreren. Dit omvat gepersonaliseerde coaching, interactieve leerplatforms, fitnessmonitoring, cognitieve training en adaptieve fysieke educatie voor studenten met speciale behoeften [34](#page=34). ### 1.6 De rol van vertrouwen en realisme Vertrouwen in AI-systemen is cruciaal, maar kan fragiel zijn en snel verdwijnen ("Trust arrives with horse and carriage and leaves with a Ferrari"). Het is belangrijk om optimistisch te zijn, maar ook de realiteit onder ogen te zien en moed te tonen bij de implementatie van AI. Dit vereist een bereidheid om na te denken en te innoveren [63](#page=63) [64](#page=64) [65](#page=65) [66](#page=66). --- ## Veelgemaakte fouten om te vermijden - Bestudeer alle onderwerpen grondig voor examens - Let op formules en belangrijke definities - Oefen met de voorbeelden in elke sectie - Memoriseer niet zonder de onderliggende concepten te begrijpen

| Term | Definition | |------|------------| | Kunstmatige Intelligentie (AI) | Het vermogen van een machine om mensachtige vaardigheden te vertonen, zoals redeneren, leren, plannen en creativiteit. | | Machine Learning (ML) | Een subveld van AI dat computers in staat stelt om te leren van gegevens zonder expliciet geprogrammeerd te zijn. | | Deep Learning (DL) | Een geavanceerd type Machine Learning dat gebruik maakt van kunstmatige neurale netwerken met meerdere lagen om complexe patronen in gegevens te leren. | | Generatieve AI (Gen AI) | AI-modellen die in staat zijn om nieuwe content, zoals tekst, afbeeldingen of muziek, te creëren op basis van de gegevens waarmee ze zijn getraind. | | Large Language Model (LLM) | Een type AI-model, specifiek getraind op enorme hoeveelheden tekst, dat in staat is om menselijke taal te begrijpen en te genereren. ChatGPT is een bekend voorbeeld. | | Data-explosie | Een snelle en exponentiële toename van de hoeveelheid beschikbare gegevens, vaak aangedreven door digitale technologieën en sensoren. | | Medische Beeldvorming | Technieken die worden gebruikt om visuele representaties van de binnenkant van het lichaam te creëren voor klinische analyse en medisch onderzoek. | | Genomics | Het bestuderen van genomen, de volledige set van DNA van een organisme, inclusief alle genen. | | EHR's (Elektronische Patiëntendossiers) | Digitale versies van patiëntendossiers die medische informatie bevatten, zoals diagnoses, behandelingen en medicatie. | | Wearables & IoT | Draagbare apparaten en het Internet of Things (IoT), die gegevens verzamelen over gezondheid, activiteit en omgevingsfactoren. | | Telemedicine & Digital Health | De levering van gezondheidszorgdiensten op afstand met behulp van telecommunicatietechnologie en de brede toepassing van digitale technologieën in de gezondheidszorg. | | Compute power (Rekencapaciteit) | De hoeveelheid rekenkracht die beschikbaar is om complexe berekeningen uit te voeren, essentieel voor AI-toepassingen. | | Value-based Healthcare | Een zorgmodel gericht op het maximaliseren van de waarde voor de patiënt, gedefinieerd als de verhouding tussen de resultaten en de kosten. | | Natuurlijke gebruikersinterface | Een interface waarmee gebruikers op een intuïtieve en natuurlijke manier met technologie kunnen interageren, vaak door middel van spraak of gebaren. | | Cloud & Edge Computing | Cloud computing verwijst naar de levering van computerdiensten via het internet, terwijl edge computing gegevensverwerking dichter bij de bron van de gegevens uitvoert. | | Vision AI | Het vermogen van AI om visuele informatie, zoals afbeeldingen en video’s, te interpreteren en te analyseren. | | Genome Correlation | Het onderzoeken van verbanden en correlaties tussen genetische informatie en bepaalde kenmerken, ziekten of reacties op behandelingen. | | Target Discovery | Het proces binnen geneesmiddelenontwikkeling waarbij potentiële moleculaire doelwitten voor therapeutische interventies worden geïdentificeerd. | | Digital Body & Bionics | Digitale representaties van het menselijk lichaam en de integratie van kunstmatige of elektronische componenten met biologische systemen. | | Incidental Findings | Medische bevindingen die worden ontdekt tijdens beeldvorming of onderzoek dat werd uitgevoerd voor een ander doel. | | Hypothesis Detection | Het mechanisme waarmee AI onverwachte patronen of relaties in gegevens kan identificeren die nieuwe wetenschappelijke hypothesen kunnen genereren. | | Fact Checking | Het proces van het verifiëren van de juistheid van beweringen of informatie, wat cruciaal is in het post-truth tijdperk. | | Bias | Een systematische afwijking of neiging in gegevens, algoritmen of beslissingen, die kan leiden tot oneerlijke of discriminerende uitkomsten. | | Explainable AI (XAI) | AI-systemen die de redenering achter hun beslissingen kunnen uitleggen, waardoor ze transparanter en begrijpelijker worden. | | Desirability (Wenselijkheid) | De mate waarin een technologie of oplossing aansluit bij de behoeften en voorkeuren van gebruikers en de samenleving. | | Feasibility (Haalbaarheid) | De mate waarin een technologie of oplossing technisch en praktisch realiseerbaar is met de beschikbare middelen en kennis. | | Viability (Levensvatbaarheid) | De mate waarin een technologie of oplossing economisch duurzaam en schaalbaar is op de lange termijn. | | Ethical (Ethisch) | De mate waarin een technologie of oplossing in overeenstemming is met morele principes en waarden, zoals rechtvaardigheid, privacy en autonomie. | | Legal (Juridisch) | De mate waarin een technologie of oplossing voldoet aan de geldende wetten, regelgeving en juridische kaders. | | Causal (Causaal) | Verwijst naar de identificatie van oorzaak-gevolgrelaties, in plaats van louter correlaties, wat essentieel is voor het trekken van betrouwbare conclusies. | | Transparency (Transparantie) | Het principe van openheid en duidelijkheid in AI-systemen, waardoor de werking en besluitvorming begrepen kunnen worden. |