Samenwerken aan de nieuwe generatie beslissingsondersteunende systemen in de oncologie

Beslissingsondersteunende systemen zijn al decennia bekend als AI-toepassingen die gebruikers (zoals zorgprofessionals) kunnen ondersteunen bij het bepalen van de optimale strategie, actie, of behandeling. Dit soort systemen combineren medische kennis met klinische data om een statistisch model te genereren waarin de gebruiker op basis van concrete patiëntgegevens bijvoorbeeld door kan laten rekenen wat het effect van een behandeling is op de geschatte levensverwachting van de patiënt. Het systeem codificeert als het ware de beschikbare kennis en data om op basis daarvan scenario's door te kunnen rekenen, en is daarom een belangrijke aanvulling in de kliniek. De feitelijke toepassing van deze system in de klinische praktijk is echter nog beperkt: zodra een model getraind is op data is het statisch en al snel verouderd; de uitleg- en motivatiecapaciteit ("waarom kom ik tot dit advies, wat speelt hierbij een rol") is beperkt, de integratie in de klinische workflow laat te wensen over, en in de modellen wordt maar mondjesmaat "kwaliteit van leven" als informatie verwerkt.

Collaborating on the new generation of decision support systems in oncology

Decision support systems have been known for decades as AI applications that can support users (such as healthcare professionals) in determining the optimal strategy, action, or treatment. These types of systems combine medical knowledge with clinical data to generate a statistical model in which the user can, for example, calculate the effect of a treatment on the patient's estimated life expectancy based on concrete patient data. The system, as it were, codifies the available knowledge and data in order to calculate scenarios based on it, and is therefore an important addition to the clinic. However, the actual application of this system in clinical practice is still limited: once a model is trained on data, it is static and quickly outdated; the explanation and motivation capacity ("why do I come to this advice, what plays a role in this") is limited, the integration into the clinical workflow leaves much to be desired, and the models only rarely process "quality of life" as information.