Go back

Article: AI and the biomedical engineer

30 December 2021

Artikel op de VZI website

In dit artikel gaan we in op de rol van "Kunstmatige Intelligentie" of "Artificial Intelligence" in het werk van de medisch technicus. We hebben het gemakshalve over AI.

Artificial Intelligence in het vak van de medisch technicus. Hoe krijgt de medisch technicus te maken met Artificial Intelligence?

AI kan op het pad van de medisch technicus komen in een ontwikkelproject of aanschaftraject. Een tweede mogelijkheid is tijdens het verrichten van onderhoud.

Als een bestaand AI pakket wordt gekocht, dat voldoet aan de criteria van medisch hulpmiddel, dan gelden de afspraken uit het Convenant Medische Technologie. Er moet dan aandacht worden gegeven aan het pakket van eisen, de prospectieve risico analyse en het scholingsplan. Daarnaast is het van belang om zeker te stellen dat er wordt geëvalueerd na verloop van tijd. Aangezien AI applicaties momenteel als paddenstoelen uit de grond schieten is het belangrijk om de samenwerking tussen die applicaties onderling en met de IT omgeving zeker te stellen, de zogenaamde interoperabiliteit. Een voorbeeld van een ontwikkelaar van dergelijke commerciële software is ‘Aidence’, die applicaties binnen het radiologieveld levert.

Het kan ook zijn dat AI door het ziekenhuis zelf wordt ontwikkeld. Dan gelden de spelregels zoals in artikel 5.5 van de MDR. De ontwikkeling dient te worden vastgelegd in een technisch dossier en het is van belang dat de ontwikkeling is gebaseerd op een kwaliteitsmanagement systeem (zoals in de ISO 13485). In feite is er geen verschil met een medisch hulpmiddel dat je zelf op een draaibank in de werkplaats maakt voor eigen gebruik in het ziekenhuis. Omdat het AI werkveld nieuw is heeft de overheid een leidraad ontwikkeld om standaardisatie te bevorderen in de ontwikkeling van medische AI (zie het kader).

Alvorens in te gaan op de rol van AI in het onderhoud is het goed om eerst even uit te zoomen: wat is onderhoud eigenlijk, waarom doen we het, welke voorwaarden zijn er en hoe weten we of we onderhoud op een juiste manier hebben gedaan? Daarom eerst: onderhoud in een notendop.

Onderhoud

Wij plegen onderhoud om de kans op een storing zo klein mogelijk te maken zodat de zorg ongehinderd kan plaatsvinden. Door onderhoud houden we de apparatuur in goede staat en kunnen we er zo lang mogelijk mee werken, zolang de prestaties maar overeenkomen met de wensen van de zorg. Als de voorziene levensduur vijf jaar is en door goed onderhoud kun je er zes jaar mee werken, dan is dat bovendien financieel gunstig.

De klassieke indeling: preventief en correctief onderhoud

Preventief onderhoud is gebaseerd op een onderhoudsinterval. Dat kan zijn in gebruiksuren, in ‘cycles’ of in kalendertijd. Het doel van het onderhoud is om het aankomend interval door te komen met een zo klein mogelijke kans op een storing. Het is planbaar en je kunt uitrekenen hoeveel FTE’s je voor je inventaris aan medische apparatuur nodig hebt om het totaal pakket van onderhoud uit te voeren.

Correctief onderhoud is gedreven door een storing of een klacht van de gebruiker. Op te lossen ter plaatse of in de werkplaats. Een signaal, dat wil zeggen een waarschuwingslampje of een piep, kan het teken zijn van een storing omdat de minimale prestaties niet meer worden gehaald. Het kan ook zijn dat de prestaties nog wel worden gehaald maar dat ingebouwde testapparatuur concludeert dat niet alle functies meer voldoen. We hebben het dan over BITE, Built-in Test Equipment. Testapparatuur in de werkplaats loopt vervolgens alle functies langs. In feite is de software in deze testapparatuur een beslisboom met antwoorden ja of nee. De beslisboom bootst de menselijke logica na. Je zou het een eerste vorm van AI kunnen noemen. De software leert niet uit zichzelf en krijgt van tijd tot tijd een update.

In beide gevallen speelt de service manual een belangrijke rol. De Medical Device Regulation (MDR) geeft in artikel 23.4 van annex I (de Algemene Veiligheids- en Prestatie-eisen) aan welke inhoud de service manual (een onderdeel van de gebruiksaanwijzing, de ‘IFU’) moet hebben. Deze is leidend voor het onderhoud en de te gebruiken onderdelen. Als je vindt dat je moet afwijken omdat dat beter is voor de zorgverlening, dan kan dat maar je moet wel een goed verhaal hebben met een duidelijke reden waarom je afwijkt van de manual en met minimaal een risico analyse. En raadpleeg de fabrikant!

Op weg naar voorspellend onderhoud; de rol van data

Apparatuur bevat data, bijvoorbeeld in de "embedded software". Inmiddels is de techniek zover gevorderd dat data kunnen worden verzameld, een soort ‘download’ uit de apparatuur dus. Dan moeten we denken aan data over temperatuur, luchtdruk, trillingen, luchtvochtigheid of energieverbruik. Die data kunnen we analyseren met een algoritme. Een algoritme kunnen we vergelijken met een ‘kookboekrecept’, een reeks van instructies met als doel om een maaltijd te bereiden. In ons werk is het een recept om apparatuur functioneel te houden. Het algoritme kan leiden tot een tweetal oplossingen.

In de eerste plaats kunnen we beoordelen of het eerstvolgend geplande onderhoud op het juiste moment komt. Kan het worden uitgesteld? Dan past het misschien beter in de planning van de zorg. Denk bijvoorbeeld aan de ‘OK dagen’ als de OK minder wordt gebruikt vanwege landelijke bijeenkomsten van medisch specialisten. Of andersom, is er reden om het geplande onderhoud te vervroegen? Omdat we voorzien dat een storing aanstaande is en het moment van onderhoud niet zal worden gehaald. In dat geval kunnen we het onderhoud inplannen op een moment dat ons uitkomt en kan de zorg ongehinderd doorgaan.

In de tweede plaats kunnen we na het verzamelen van veel data een uitspraak doen over het onderhoudsconcept. Kunnen we de intervallen voor de hele vloot verruimen? Is de wijze van preventief onderhoud eigenlijk wel het goede model? Of is het haalbaar om het preventief onderhoud in het geheel te laten vervallen en het onderhoud te baseren op de toestand van de apparatuur? Voor veel elektronische componenten weten we immers dat je er maar beter vanaf kunt blijven als het normaal functioneert.

Het verzamelen van data is een vak op zich. Je moet vooraf bepalen welke data je wilt hebben en wat je daar vervolgens mee wilt doen. “Download” je niet per ongeluk patiëntengegevens mee zodat je de privacy van patiënten geweld aan doet? En heb je een beeld van de data die je niet kent? Tot slot kunnen het ook commercieel gevoelige data zijn. Stel daarom altijd zeker dat er goede afspraken zijn met de fabrikant van de apparatuur.

AI en voorspellend onderhoud; hoe dan?

Door het gebruik van data kunnen we meer proactief zijn in het plannen van onderhoud. We kunnen het juiste moment voorspellen. We spreken dan van voorspellend of predictief onderhoud. Dat is op zich geen nieuwe term. Door het uitvoeren van een visuele inspectie kun je ook al een voorspelling doen over de toestand van een apparaat en de noodzaak tot onderhoud. En in de loop van de tijd zijn concepten ontwikkeld onder de naam ‘condition monitoring’ of ‘condition based maintenance’. Denk aan allerlei sensoren die de prestaties van helikopteronderdelen bewaken.

Maar anno 2021 komen grote hoeveelheden data beschikbaar waarmee we veel nauwkeuriger de toekomstige onderhoudsbehoefte kunnen voorspellen en inplannen. Daarmee is de implementatie van AI in het onderhoud binnen handbereik. Een voorbeeld: elk ziekenhuis heeft ze staan: -80 en -140 graden vrieskasten. De inhoud is cruciaal voor de zorg en voor wetenschappelijke onderzoeken. In de meeste gevallen zijn deze vriezers aangesloten op een gebouwbeheerssysteem. Zodra een vriezer uitvalt, is er tijd om de inhoud over te pakken in een andere, functionerende vriezer. Maar die tijd is beperkt, we hebben het over slechts enkele uren. En er moet wel een reserve vriezer beschikbaar zijn. Als je de toestand van een vriezer volgt aan de hand van data, kun je de storing zien aankomen en tijdig ingrijpen.

Een Nederlands bedrijf dat hiermee inmiddels ervaring heeft opgedaan is ’Freezerdata’. Het AI/ML-algoritme analyseert elke minuut alle sensoren in het koelsysteem. Hiermee kan het voorspellen wanneer er kans is op een storing voordat deze daadwerkelijk plaatsvindt. De onderstaande figuur geeft weer hoe dat in de praktijk kan gaan. De figuur toont het verloop van temperatuur van de uitgaande ‘heetgasleiding’ van de compressor. Deze parameter vertoont een onrustig beeld. Er is sprake van een instabiel systeem: de compressor slaat voortdurend aan en af. Slecht voor de levensduur van de compressor, slecht voor het energieverbruik. Op dat moment is er nog steeds geen sprake van een storing van de apparatuur. Het AI-algoritme van de software analyseert het beeld en trekt de conclusie dat ingrijpen noodzakelijk is. Een ‘remote’ melding leidt tot het ingrijpen door een technicus (bij de rode pijl). Na de reparatie zie je weer een rustig beeld waarbij de compressor eens in de zoveel tijd aanspringt om te koelen en daarna weer uitgaat. De apparatuur blijft al die tijd in gebruik, de inhoud hoeft niet te worden overgepakt, de eindgebruiker heeft er geen last van.

Bovenstaand voorbeeld betreft koelsystemen die doorgaans in beheer zijn bij de technische dienst of bij het laboratorium. De redenering gaat echter ook op voor ‘medical devices’. De ontwikkelingen voor de toepassing van AI bij medische apparatuur en medische software gaan razendsnel. De VZI zal u hierover op de hoogte houden.

Tot slot

Er is momenteel een internationale werkgroep bezig met een ISO standaard voor onderhoud van medische apparatuur in zorginstellingen. Daarin krijgt voorspellend/predictief onderhoud ook een plaats. De verwachting is dat die werkgroep in de loop van 2022 een eerste tussenresultaat oplevert. Zodra het mogelijk is, kom ik daar in een ander artikel op terug.

Dank

De auteur dankt Aidence en Freezerdata voor de medewerking aan dit artikel en de aangeleverde informatie.

Bronnen

Nictiz; VWS Programma Waardevolle AI; KPMG rapport Inventarisatie AI-toepassingen in gezondheid en zorg in Nederland (2020); Leidraad kwaliteit AI in de zorg opgeleverd door en voor het veld, Nieuwsbericht, Data voor Gezondheid

Kader 1: René Drost

In 1990 is René Drost aan de TU Delft afgestudeerd op de rol van expertsystemen in het onderhoud van straalmotoren. René is lid van de VZI. Vanwege zijn betrokkenheid bij de opstellen van Convenant Medische Technologie en zijn rol bij de implementatie van de Medical Device Regulation overlegt hij regelmatig met het bestuur van de VZI om de leden van de vereniging te ondersteunen in hun werk als medisch technicus. René heeft meegewerkt aan de landelijke leidraad over AI.

Kader 2: Artificial Intelligence (AI)

Artificial intelligence of kunstmatige intelligentie is een verzamelterm voor systemen die zelflerend zijn. Een AI-oplossing wordt getraind op basis van de data die deze krijgt. Na elke training kan een systeem weer meer, zoals patronen herkennen of voorspellingen doen.

Artificial Intelligence is niet nieuw. Decennialang wordt nagedacht over robots en computers die kunnen denken als mensen. De AI-ontwikkelingen in de afgelopen paar jaar zijn ongelooflijk hard gegaan. Zelfrijdende auto’s en gezichtsherkenning zijn voorbeelden hiervan, maar de ontwikkelingen in de gezondheidszorg staan ook niet stil. Deze sector leent zich bij uitstek voor AI vanwege de enorme hoeveelheden data.

De huidige AI-toepassingen in de zorg maken vrijwel allemaal gebruik van de techniek ‘machine learning’ (ML). Machine learning geeft systemen de mogelijkheid om te leren en zichzelf te verbeteren aan de hand van eerder opgedane ervaringen. Een specifieke vorm van deze techniek is ‘deep learning’. Deep learning is geschikt om zeer gedetailleerde patronen te herkennen zoals specifieke afwijkingen op een CT-scan.

AI en medische software zijn nauw met elkaar verbonden. Medische software krijgt onder invloed van de Medical Device Regulation in veel gevallen een hogere CE risico classificatie. AI is daarom een toenemend belangrijk onderdeel van de implementatie van de Medical Device Regulation.

Kader 3: Status van AI in de Nederlandse Zorg

Inventarisatie door KPMG in 2020 biedt inzicht in de huidige status van AI-toepassingen in gezondheid en zorg in Nederland, in pilot of in gebruik. De meeste toepassingen worden in of voor de medisch-specialistische sector ontwikkeld, waarbij het merendeel zich richt op diagnostiek van diverse aandoeningen. Dit richt zich niet op één bepaalde aandoening, maar varieert van diagnose van chronische aandoeningen zoals hart- en vaatziekten, tot oncologische aandoeningen en neurodegeneratieve aandoeningen zoals MS en dementie. Binnen de medisch-specialistische sector richten de meeste toepassingen zich op analyse van beelden (o.a. CT-scans, MRI-scans en fundusfoto’s). Sectoren waarin nog relatief weinig gebeurt zijn de gehandicaptenzorg en de jeugdzorg.

Op 21 december is een leidraad over ontwikkeling van AI in de zorg gepubliceerd: “Leidraad voor diagnostische en prognostische toepassingen van AI in de zorg - op weg naar een veldnorm”. Deze leidraad is een uitdrukking van wat er in het werkveld als goed professioneel handelen wordt beschouwd bij het ontwikkelen, toetsen en toepassen van een Artificial Intelligence Prediction Algorithm (AIPA) in de medische sector. AIPA is: Algoritmen die leiden tot een voorspelling van een gezondheidsuitkomst bij individuele personen. Dit betreft tenminste het voorspellen van de kans op het hebben van gewenste of ongewenste gezondheidsuitkomsten (oftewel diagnostisch) of het in de tijd optreden van gewenste of ongewenste gezondheidsuitkomsten (oftewel prognostisch).