(Eerder verschenen in ICT&Health editie 4, 2021)
Het officiële middelpunt van Londen heet Charing Cross. Het is een kruispunt waar 6 wegen samenkomen en aan de zuidkant kust het kruispunt het beroemde Trafalgar Square. In een radius van ongeveer 10 kilometer rondom dit punt zijn er niet minder dan 60.000 straten. Voor taxichauffeurs is dit nogal een uitdaging en de chauffeurs van de bekende black cabs (de traditionele Austin FX4) zijn dan ook apetrots op hun grondige kennis van dat wegennet. De chauffeurs met een ‘green badge’ hebben er gemiddeld een jaar of 3 op gestudeerd. Ze moeten onder meer 320 routes uit hun hoofd leren om een door velen gevreesde test met goed gevolg te kunnen afleggen.
Tegen die achtergrond wekt het geen verbazing dat ze hun neus ophalen voor Uber- chauffeurs. Deze ‘newbies’ hebben immers geen enkele test afgelegd over de kennis van het wegennet en volgen simpelweg de instructies op een schermpje in hun auto. Dat schermpje lepelt hen een kant en klaar route-advies op. Het systeem baseert zich niet alleen op de kaartinformatie maar ook op live data over opstoppingen, gegenereerd door honderdduizenden sensoren in de smartphones van medeweggebruikers.
Voor de objectieve aanschouwer lijkt het nogal een ongelijke strijd. Aan de ene kant staat de gestolde kennis in het hoofd van één chauffeur. Aan de andere kant de slimme en voortdurend geactualiseerde inzichten van een collectief. Toch is het traditionele trainingssysteem voor taxichauffeurs – genaamd The Knowledge – nog steeds alive and kicking in Londen. Zij trokken rond 2015 ook fel van leer tegen nieuwkomers zoals Uber. Dit bedrijf moest na felle protesten een jaar lang vrezen voor de licentie: de veiligheid van passagiers zou in het geding zijn. In september 2020 besliste de rechter niettemin in het voordeel van de nieuwkomer, voor wie Londen een van de belangrijkste markten is.
Als objectieve kijker kun je eigenlijk alleen maar concluderen dat dit een achterhoedegevecht is. De superieure collectieve realtime data zal de individuele feitenkennis vroeg of laat gaan verdringen. Met wat goede wil is het ook wel te vergoelijken dat de taxibranche wat halsstarrig vasthoudt aan de oude werkwijze. Zo’n green badge in een Austin FX4 heeft immers ook wel wat ten opzichte van – pak hem beet – een student die als bijbaantje in een Skoda Superb rondrijdt. En als je dan met zo’n black cab een keer (vermijdbaar) vast komt te staan in de Londense verkeerschaos, dan neem je dat als toerist waarschijnlijk wel voor lief. Het maakt onderdeel uit van de ervaring.
Zouden we zoiets ook vergoelijken als exact hetzelfde gebeurt bij de behandeling van een levensbedreigende ziekte? Het lijkt misschien een wat gekke vergelijking, maar in de zorg zijn duidelijke parallellen te trekken met de taxiwereld. Verreweg de meeste individuele artsen werken met veel passie aan het behandelen van hun patiënten. Ze doen dat net als de Green badge chauffeurs in Londen vrijwel exclusief op basis van gestolde kennis en protocollen. Doordat ze in hun diagnoses en behandelingen nauwelijks de actuele inzichten van het collectief – ervaringen van duizenden andere artsen over de hele wereld – kunnen verwerken is hun werk suboptimaal. En dat is nog vriendelijk uitgedrukt.
Welbeschouwd is het beschamend dat we de collectieve kennis in de zorg niet veel beter en sneller gebruiken. En dat is een wijdverbreid fenomeen in de zorg, waar de kennis van een individuele arts nog steeds op een voetstuk wordt geplaatst. Het is bijvoorbeeld al enige tijd duidelijk dat individuele radiologen bij het beoordelen van CT-scans het onderspit delven ten opzichte van kunstmatige intelligentie die leert van vele duizenden eerdere diagnoses. Een studie gepubliceerd in Nature Medicine liet dat onder meer zien bij het opsporen van longcarcinomen. Het algoritme spoorde 5% meer carcinomen op en had 11% minder false positives vergeleken met de radiologen. De bekende computerwetenschapper Geoffrey Hinton pleitte er dan in 2016 ook al voor om geen energie meer te stoppen in het opleiden van radiologen. Daar was geen toekomst voor, want deep learning was simpelweg superieur.
Ik heb daar een genuanceerder beeld bij: voor mij zijn enkele menselijke eigenschappen niet over te nemen door een algoritme. Wij mensen zijn in staat tot creatieve en associatieve denkprocessen waar een computer bij lange na niet in de buurt komt. En laten dit nou eigenschappen zijn die van groot belang zijn in het verlenen van zorg. In het vertalen van informatie uit ‘de getallen’ naar relevante inzichten voor dat ene individu tegenover u. In de combinatie van de wiskundige slimmigheid van AI en menselijke intelligentie ligt een enorme potentie om ons gezamenlijk leervermogen in de zorg te vergroten en te versnellen.
Niemand is tegen betere zorg. En als we een manier vinden waarin zorgprofessionals meer van elkaar leren, dan is er veel mogelijk. Maar dat gaat niet vanzelf, want: If you keep doing what you did, you’ll get what you always got. Vasthouden aan de bestaande (en aangeleerde) routines is veilig en vertrouwd. Maar het is ook suboptimaal, zeker in een zeer complexe wereld vol uitzonderingen en onzekerheden waar vaste routines vaak niet de beste oplossing opleveren. Als we die routines wat durven los te laten en andere invloeden toe laten kan collectief lerend vermogen ontstaan.
De Londense taxichauffeurs zijn nog volop aanwezig in het straatbeeld. En de radiologen zijn ook bepaald nog niet uitgestorven. Radiologen laten zich voorzichtig wel steeds meer door software ondersteunen, maar de massale omarming van deep learning is nog ver weg. Wellicht is dat terug te voeren op de bekende ‘Amara’s Law’, die stelt dat we als mens de neiging hebben het effect van nieuwe technologie te overschatten op de korte termijn en te onderschatten op de lange termijn.
In bovenstaand betoog zijn taxichauffeurs tegenover Uber geplaatst en radiologen tegenover deep learning. Nou ben ik benieuwd wat dit bij u als lezer heeft opgeroepen. Wellicht dat u op uw eigen takenpakket bent reflecteren: bij welke taken zou een algoritme mij kunnen overnemen en even goed presteren? Welke taken kan een algoritme nooit van mij overnemen omdat ik veel beter presteer? En bij welke taken zou een algoritme mij kunnen ondersteunen zodat we samen tot nog betere prestaties komen?
Ik hoop dat u zich dit soort vragen regelmatig zult stellen. En dat u met uw eigen ‘Knowledge’ in het hoofd en aanvullende informatie uit de computer een veilige route weet te kiezen.
De meest wezenlijke vraag voor zorgprofessionals naar aanleiding van bovenstaande is wellicht: “Wie zit er eigenlijk achter het stuur?”