Kom erachter hoe het Medisch dashboard is ontstaan!

Business Data Challenger Hetty Wessel ontwikkelt samen met collega Bassam Shoukri en medisch specialisten een speciaal Medisch Dashboard (medical image processing dashboard). Een project dat inmiddels al een innovatiesubsidie toegekend kreeg. De vraag aan Hetty Wessel: “Had jij een speciaal motief om juist met medisch beeldmateriaal onderzoek te doen. Hoe kwam je op dit specifieke idee?” “Van alle informatie die wij om ons heen verwerken in de professionele wereld gaat het naar inschatting rond de 80% over kwalitatieve informatie. Dit is een zuinige inschatting. We zien dat data science opleidingen vooral erg focussen (over het algemeen) op kwantitatieve informatie. Dat borduurt vooral voort op wat we al decennialang aan het doen zijn: hoeveelheden, omvangen, aantallen, ratio’s, etc. Vaak is die aanpak prima geschikt om bijvoorbeeld informatie voor bedrijfsvoering te ontsluiten, maar er is ook steeds meer behoefte om ook bijvoorbeeld beelden en natuurlijke (ongestructureerde) teksten te kunnen duiden. We kunnen steeds meer ‘zien’ door de ontwikkeling van bijvoorbeeld sensoren en medische apparatuur. Maar kunnen we als mensen hier voldoende uit halen? Hoe zorgen we dat we de extra informatie helpt met duidingen en verklaringen voor wat er is gebeurd en hoe kunnen we dat meenemen in de voorspelling van wat er kan gaan gebeuren? Een data scientist is geen programmeur die een paar standaard-modelletjes kent en leuke visuals weet te produceren. Een Business Data Challengers data scientist snápt de data waarmee moet worden gewerkt, snapt de toepassing, de context, kan modellen ontwikkelen op basis van die context en daarvoor de juiste methodologische stappen ondernemen om tot goede input voor de modellen te komen. Ik zie op het gebied van textmining goede opleidingen bij linguïstiek faculteiten. En daar wordt door de meer bèta-ingestoken opleidingen helaas vaak op neer gekeken. We zien dan ook dat data science nog niet echt van de grond komt. Er zijn te veel one-trick ponies zonder goede methodologische en statistische achtergrond. Zo iemand sprak ik een tijd geleden. Die had een model toegepast zonder te snappen dat dat in die context niet mogelijk was. “Ja, er kwam toch wat uit?” Dat is het punt: er komt altijd iets uit…. maar dan komt de verbinding met de praktijk en daar gaat het om. Ik wilde als data scientist juist vooral inzetten op de kwalitatieve informatie, omdat daar vooral de uitdagende vragen liggen. En uiteraard heeft dat ook veel kwantitatieve componenten. Vooral in de medische wereld zie je een enorme toename van technologieën om (minder invasief) het menselijk lichaam te kunnen ‘zien’. De ontwikkelingen in MRI-apparatuur bijvoorbeeld, hebben een enorme vlucht genomen. Het heeft dan ook zin om te kijken hoe we de specialist kunnen ondersteunen in het gebruik van de informatie uit de beelden voor onderzoek. Er blijft nog zoveel informatie op de plank liggen omdat beelden gewoon te groot zijn om te verwerken, helemaal als het om een grote hoeveelheid beelden in een wetenschappelijk onderzoek gaat. Anderzijds zijn beelden vaak helemaal niet te vergelijken, tenzij je ze goed voorbewerkt. Dit is de inhoudelijke interesse. Verder zien we dat de zorg het steeds moeilijker krijgt om iedereen te kunnen blijven bedienen. Mensen worden steeds ouder en ze blijven soms door allerlei kunstgrepen leven terwijl dat vroeger niet mogelijk was. Aan de ene kant een hele mooie ontwikkeling, aan de andere kant kunnen we dat straks niet meer behappen. Dus is er een zwaar maatschappelijk issue in de zorg, dat steeds groter wordt. Als we een bijdrage leveren aan het oplossen hiervan, dan ben ik blij. Ik denk dat wij heel goed in staat zijn om middels onze technologieën (van preparatie en analyse tot voorspelling) te helpen om samen met specialisten de gaten in de kennis in te vullen. Waarbij we vanuit BDC altijd de samenwerking met de specialisten zoeken om elkaar te versterken. En tenslotte vind ik het ook belangrijk om niet alleen de beelden te verwerken. Vaak spelen er veel meer bronnen mee. Ten eerste heb je al verschillende soorten beelden, die juist samen extra informatie kunnen bieden (bijvoorbeeld een ECG met een fMRI – een speciale MRI-techniek voor hersenonderzoek met driedimensionaal beeld). Daarnaast komen we ook steeds verder in de textmining en dan met name op het gebied van ongestructureerde teksten. Soms is het heel zinvol om dat soort bronnen ook mee te nemen in een analyse. Image processing wordt uiteraard ook voor andere zaken toegepast, zoals in de industrie. Deels zijn dat dezelfde technologieën. Maar de maatschappelijke impact zal vermoedelijk minder groot zijn. Als er een ondernemer is die me het tegendeel wil bewijzen, dan houd ik me overigens graag aanbevolen.”