Er is geen beter voorbeeld van professioneel AI-gebruik dan medische beeldanalyse, een van de snelst groeiende domeinen qua vraag in de gezondheidszorg. Uitgebreid onderzoek toont aan dat AI-modellen diagnoses kunnen stellen met een nauwkeurigheid die tenminste gelijk is aan die van zorgprofessionals.

De commercialisering van AI-modellen voor scans is ook hevig: tussen 1995 en 2024 werden 950 AI-producten goedgekeurd door de Amerikaanse Food and Drug Administration, waarvan driekwart gerelateerd aan beeldanalyse. Het overgrote deel kreeg goedkeuring in de afgelopen tien jaar, daarvóór veel minder.

Dit tempo van innovatie leidt tot heftige discussies over de gevolgen voor zorgprofessionals, met name radiologen. In 2016 stelde Nobelprijswinnaar Geoffrey Hinton dat men helemaal moest stoppen met het opleiden van radiologen, omdat AI hen tegen 2021 zou overtreffen. Dit is tot nu toe nog niet gebeurd. Anderen zien AI als een soort automatische piloot, ingezet om radiologen te ondersteunen.

Ik wilde begrijpen hoe en waarom AI-producten worden ontwikkeld, geïmplementeerd en gebruikt, en wat de gevolgen zijn voor professionals. Dit bracht me ertoe om twee Britse praktijkvoorbeelden te onderzoeken, inclusief gesprekken met radiologen en aanverwante zorgprofessionals.

Afwijkingen in borst en hersenen

De AI-producten die ik analyseerde, zijn ontworpen om afwijkingen zoals tumoren of verstoppingen van bloedvaten op röntgenfoto’s van de borst en CT-scans van de hersenen op te sporen; dit zijn cruciale aanwijzingen voor borstkanker en beroertes.

Hoewel de AI voor borst-röntgenfoto's bedoeld is om beeldanalyse te automatiseren, worden beide in de praktijk alleen gebruikt ter ondersteuning van beslissingen door professionals. Dit komt deels doordat de huidige Britse regelgeving automatisering niet toestaat.

Professionals tonen zich niet zo onder de indruk van de AI-prestaties. Hoewel audits suggereren dat de nauwkeurigheid van AI beter is dan professionals denken, koesteren ze vaak bezwaren tegen de resultaten van AI. Echter, zonder verdere objectieve analyse van wat de “realiteit” beter weergeeft, moeten we het doen met de gevolgtrekking dat de analyse van AI kan verschillen met die van mensen.

“De AI is theoretisch nuttig, maar in de praktijk ... vond ik het niet zo nauwkeurig als, of niet noodzakelijkerwijs in overeenstemming met, wat mijn analyse zou zijn.” (Dr. A, consultant neuroradioloog).

Professionals kunnen vaak zien wanneer AI fouten maakt, maar ze kunnen ook bevooroordeeld zijn – niet alleen tegen, maar ook ten gunste van AI. Ongeacht wiens analyse beter is. Selectief omgaan met AI-resultaten wordt op zichzelf een cruciale nieuwe vaardigheid voor professionals.

“Het is heel gemakkelijk om de beelden op te bekijken en te zeggen: ‘Oké, dit is wat het me vertelt, en daarom is dit correct’ … maar je moet selectief kunnen kiezen wat relevant is, en dat is een vaardigheid op zich – je niet laten overweldigen door de informatie die je krijgt en weten wat relevant is (Dr. A, neuro-radioloog).

Als hulpmiddelen bij de besluitvorming neemt AI momenteel geen taken over die voorheen door professionals werden uitgevoerd, maar vult de werkwijze aan.

“Wanneer AI afwijkingen signaleert, zet dat ons aan tot nadenken, in feite om er zeker van te zijn of dat gebied nu wel of niet afwijkend is.” (dr. S, specialist in beroertes).

“Soms heb ik bijvoorbeeld heel kleine gebieden over het hoofd gezien, en heeft de AI dat opgemerkt.” (Dr. J, specialist in beroertes).

Vermindering van werkdruk

Gezien het tempo waarin AI zich ontwikkelt en het toenemende aantal toepassingen, is automatisering mogelijk. Maar waarschijnlijk vooral op taakniveau, wat de werkdruk van beeldanalyse voor radiologen kan verminderen. Gezien het huidige tekort aan personeel zou dit de druk op opleiding en werving verlichten, in plaats van tot ontslagen te leiden.

We kennen al een tekort aan radiologen (ook in Nederland) en een vermindering van het aantal radiologen is niet de richting. Wel kan AI helpen om dat tekort te helpen oplossen. En er kan meer werk komen voor radiologen

Te denken valt aan ‘interventionele radiologie’, realtime beeldanalyse voor om live ondersteuning van ingrepen, zoals het verwijderen van tumoren en spoedbehandelingen zoals het verwijderen van bloedstolsels tijdens een beroerte.

Echter, toenemende hulp van AI levert uitdagingen op voor professionals bij het verwerven en behouden van vaardigheden, die nog steeds nodig zijn voor complexere taken. Dat is een grote zorg:

“Als AI al het makkelijke werk doet, weet je niet meer hoe ‘normaal’ eruit ziet, en dat wordt lastig, omdat je getraind moet zijn in wat normaal is, of een combinatie van beide.”

“ Als AI de helft van de analyse automatiseert, word je minder goed in het beoordelen, omdat je minder gevallen te zien krijgt en minder vertrouwd raakt met het bredere spectrum.”

Andere sectoren

De verwevenheid tussen medische beeldanalyse en AI in mijn onderzoek, weerspiegelt situaties in andere sectoren. In boekhouding, financiën en productie toont OECD-onderzoek aan dat, in plaats van massale vervanging van banen, de structuur en werkwijzen met AI veranderen, maar in een veel lager tempo en intensiteit dan velen hadden voorspeld.

Niet alleen is er een gebrek aan bewijs van banenverlies als gevolg van AI, maar voordelen zoals efficiëntieverbetering of vermindering van werkdruk blijken het sterkst te zijn bij matig AI-gebruik, in plaats van bij geen of overmatig gebruik.

Als de AI-automatisering toeneemt, kunnen de gevolgen ingrijpender zijn. Dit is echter niet onvermijdelijk. Sommige toepassingen zijn zelfs gestaakt, bijvoorbeeld de afschaffing van de Grab-and-Go-technologie in de supermarkten van Amazon; vanwege kosten- en integratieproblemen.

 Er is meer onderzoek nodig om de toekomst van werk volledig te begrijpen, maar voorlopig lijken apocalyptische voorspellingen over beroepen in een AI-tijdperk nog ver weg.

*) Yuxuan Wu is PhD-onderzoeker aan University of Birmingham. Het origineel van dit artikel verscheen in het Engels in The Conversation

**) Photo by Accuray on Unsplash