'Machine learning waardevol voor ggz, maar behandelaar wordt echt niet vervangen door algoritme'

GGZ-instellingen die zich niet verdiepen in kunstmatige intelligentie, komen op een zijspoor te staan. Dat voorspelt Joran Lokkerbol op de site van het Trimbos Instituut. Lokkerbol specialiseerde zich aan Harvard en MIT specialiseerde in machine learning. In een training over deze technologie die razendsnel relevanter wordt, scheidt hij feiten van fictie.

Machine learning is in korte tijd zeer relevant geworden binnen de geestelijke gezondheidszorg, doordat de wens naar gepersonaliseerde en proactieve zorg steeds sterker wordt. Dat gaat een stap verder dan weten met welke behandeling of interventie patiënten gemiddeld genomen het beste geholpen zijn. Juiste het kunnen voorspellen welke specifieke patiënten wel of niet geholpen zijn met bepaalde zorg is een van de mogelijkheden van machine learning.

Behandelaars versus algoritmen

Lokkerbol specialiseerde zich een jaar aan Harvard en MIT in Machine Learning:
_ De potentie van Machine Learning is heel groot, maar ik zie helaas ook veel misverstanden in de GGZ over de toepassing en mogelijkheden ervan.
- ”De discussie wordt gedomineerd door twee extremen: de ene kant die denkt dat het alles zal kunnen oplossen, de andere kant denkt dat het er juist toe leidt dat je straks door een robot behandeld zult gaan worden. Beide kanten zijn wat overtrokken, waardoor de discussie niet erg constructief is.”

Lokkerbol verwijs in dit kader naar het Clalit instituut uit Israel die - vrij vertaald - zegt: behandelaars zullen echt niet vervangen worden door algoritmen. Maar behandelaars die geen gebruik maken van algoritmen zullen wel vervangen worden door behandelaars die dat wel doen.

Mogelijkheden machine learning voor de GGZ

Machine learning in de GGZ kan grote hoeveelheden data vertalen in kennis die waardevol is voor de klinische praktijk, doordat machine learning in staat is om complexe patronen in de data te herkennen die traditionele tools (zoals regressie) over het hoofd zouden zien. Machine learning-projecten zijn typisch gericht op predictievraagstukken, zoals ‘wat is de kans dat patiënt X opknapt van gangbare zorg?’ Of: ‘wat is de kans dat persoon Y in het komende jaar een depressie ontwikkelt?’ Met antwoorden op dit soort vragen kan de klinische praktijk een veel beter aanbod paraat hebben voor de specifieke patiënten die zich aandienen.

Opleiding voor professionals

Lokkerbol: “Ik vind het belangrijk om GGZ-professionals een kritisch en intuïtief begrip van machine learning te helpen ontwikkelen, zodat ze zelf aan de slag kunnen om met behulp van data de klinische praktijk te verbeteren. De GGZ heeft vooral behoefte aan kleinschalige, beheerste, successen die laten zien wat er wel en niet mogelijk is met machine learning in de klinische praktijk. Met deze opleiding hoop ik daar een bijdrage aan te leveren.”

Dit voorjaar start de eerste opleiding. Elke deelnemer voert een machine learning-project uit op basis van data uit de eigen instelling. De opleiding start op 19 maart 2019.

Bron: Trimbos Instituut (https://www.trimbos.nl/actueel/nieuws/bericht/machine-learning-in-ggz-is-niets-om-bang-voor-te-zijn)

Lees hier andere artikelen over kunstmatige intelligentie in de ggz (https://www.ggztotaal.nl/tp-29166-2/artificiele intelligentie)

-----------------------------------------------------------------------------------------

Vind je dit interessant? Misschien is een abonnement op de gratis nieuwsbrief dan iets voor jou! GGZ Totaal verschijnt tweemaal per maand en behandelt onderwerpen over alles wat met de ggz te maken heeft, onafhankelijk en niet vooringenomen.

Abonneren kan direct via het inschrijfformulier (http://www.ggztotaal.nl/pg-29166-7-89775/pagina/abonneren.html), opgeven van je mailadres is voldoende. Of kijk eerst naar de artikelen in de vorige magazines (http://www.ggztotaal.nl/pg-29166-7-89779/pagina/e-magazine.html).