Willem Ernst Herter (Pacmed): “Machine learning als een aanvulling op de expertise van een arts”

De richtlijn voor de behandeling van urineweginfectie is gebaseerd op een onderzoek onder 5000 patiënten. Dat waren vrijwel allemaal jonge vrouwen, aangezien urineweg-infectieziekten onder hen het meest voorkomt. Je kunt je voorstellen dat de meest effectieve behandeling van oude mannen met eenzelfde kwaal afwijkt van de richtlijn. Pacmed wil die afwijkingen inzichtelijk maken, zodat artsen betere besluiten kunnen nemen. Hierbij wordt gebruik gemaakt van grote datasets en machine learning. Op dit moment loopt er een pilot.

“De grote beweegreden waarom we dit zijn gaan doen, is dat wij het jammer vinden dat nu in het klassiek medisch onderzoek vaak een kleine groep patiënten wordt onderzocht. Als ik het een beetje chargeer, is het vaak de jonge gezonde blanke man die meedoet aan het onderzoek, die resultaten worden vertaald naar richtlijnen in de praktijk waar de populatie vaak veel complexer en gevarieerder is. Wij vinden het belangrijk om ook vrouwen, etnische minderheden, ouderen, kinderen, mensen met meerdere medicijnen en ziektes mee te nemen. Ik wil het huidige onderzoek niet diskwalificeren, maar ik denk wel dat wij daar een goede aanvulling op kunnen zijn”, aldus founder Willem Ernst Herter.

“Een arts kan wel beter worden door Pacmed te gebruiken”

Zo kijkt Pacmed niet naar 5000 mensen met urineweginfecties, maar worden de data van 250.000 patiënten met die aandoening tegen het licht gehouden. Daaruit volgt een specifiek advies per patiënt. Het is aan de huisarts om daar wel of niet iets mee te doen.

“Pacmed is niet beter dan een arts, maar een arts kan wel beter worden door Pacmed te gebruiken, omdat een arts zo toegang heeft tot alle relevante informatie om patiënten te behandelen. Ik denk dat we met machine learning al heel veel kunnen, zeker als je bijvoorbeeld kijkt naar de interpretatie van radiologiebeelden. Daar komen we op een punt waarbij een computer sommige dingen beter zou kunnen dan een mens. Met Pacmed zijn we daar nog lang niet. Wij zitten op plekken in de zorg waarvan ik denk dat we een hele waardevolle aanvulling kunnen zijn op de expertise van een arts.”

Om verder te komen is nauwe samenwerking met huisartsen geboden. “Je bent volledig kansloos als je er geen dokters bij betrekt. Dat begint bij het interpreteren van de data en het ontwikkelen en interpreteren van de modellen, zodat je straks ook zeker weet dat je iets veiligs in de praktijk brengt. Dus bij de ontwikkeling van nieuwe modellen zitten we wekelijks met een team van artsen om te bespreken wat we aan het doen zijn. De kern is data science, we hebben de afgelopen maanden vier data scientists aangenomen, maar inmiddels ook de eerste dokter die ons parttime ondersteunt. Dat is extreem belangrijk.”

Herter verwacht vooral dat Pacmed het verschil kan gaan maken op het terrein van chronische ziekten als COPD of Diabetes. “We zijn nu ook in de ziekenhuiszorg actief. Op de intensive care, de cardiologie en de psychiatrie ontwikkelen we nu ook beslissingsondersteuning. We zijn dus verschillende dingen aan het uitproberen om op basis van de uitkomsten iets te kunnen kiezen over waar we echt van meerwaarde kunnen zijn.”

“Machine learning is aan het democratiseren”

Pacmed is in september 2015 gestart. Toen werd een bescheiden investering opgehaald. In de afgelopen 10 maanden nam het bedrijf 9 mensen aan. “Dat hebben we allemaal kunnen financieren uit marges van projecten die we doen in de ziekenhuizen. Maar ook de pilot die we doen bij de huisartsen wordt gefinancierd door drie van de vier grote zorgverzekeraars. Daar zijn we heel blij mee, maar we sluiten een nieuwe investeringsronde niet uit. Dan moet wel duidelijk zijn welke richting we kiezen.”

Herter verwacht niet dat Pacmed het zuiver wetenschappelijk onderzoek, waar richtlijnen voor artsen op dit moment op zijn gebaseerd, overbodig zal maken. “Ik zou liever willen zien dat wij met onze algoritmes hypothesen genereren die vervolgens in zuiver wetenschappelijk onderzoek nader onderzocht kunnen worden.(…) Ik kan me wel voorstellen dat sommige richtlijnen zo complex worden, als je heel veel dingen in ogenschouw neemt, dat het ook niet meer de meest makkelijke vorm voor een huisarts is om die informatie tot zich te nemen. Onze algoritmes maken onderscheid in honderden groepen, dus het is heel lastig om dat in een compacte richtlijn te vangen.“

Een buitenstaander kan misschien de indruk krijgen dat de ontwikkelingen op het terrein van machine learning in een stroomversnelling zijn geraakt. Een indruk die door Herter wordt tegengesproken. “Ik denk dat het feit dat we er nu meer over horen niet hoeft te betekenen dat de ontwikkelingen ook harder gaan, want dat is op zich niet het geval. Ik denk dat veel technieken al een tijd bestaan, maar dat het nu aan het democratiseren is. Dat het makkelijker is om technieken toe te passen, dat veel verschillende bedrijven in andere sectoren dat ook al doen en de zorg lijkt daar nu ook langzaamaan een beetje klaar voor te raken. Bij bijvoorbeeld radiologie gebeurt al heel veel. Maar wij zijn begonnen omdat we verder nog weinig toepassingen zagen in de zorg. De tractie die wij als bedrijf krijgen, laat zien dat de markt aan het groeien is en vertelt wel dat de zorg ook steeds meer open begint te staan voor dit soort van technieken. Dat is niet persé omdat de techniek heel veel beter is geworden. Het is meer een mindset.”