Machine learning in de volksgezondheid: een gids voor 2026.

Korte samenvatting: Machine learning zorgt voor een revolutie in de volksgezondheid door verbeterde ziektebewaking, voorspellende modellen voor uitbraken, toewijzing van middelen en gepersonaliseerde interventies. De AI-initiatieven van de CDC hebben al meetbare impact aangetoond, waaronder een besparing van 1 TP4 T3,7 miljoen aan arbeidskosten en een ROI van 5271 TP3 T door de implementatie van GenAI. Machine learning-toepassingen omvatten diagnose, optimalisatie van behandelingen, het volgen van antimicrobiële resistentie en het identificeren van gezondheidsgelijkheid – waardoor de manier waarop instanties bedreigingen detecteren, reageren op noodsituaties en bevolkingsgroepen beschermen, wordt getransformeerd.

Volksgezondheidsinstanties staan voor een ongekende uitdaging: enorme hoeveelheden data, beperkt personeel en bedreigingen die zich sneller ontwikkelen dan traditionele methoden ze kunnen volgen. Machine learning biedt een oplossing.

De transformatie is niet langer theoretisch. Volgens de CDC heeft hun inzet van de GenAI-chatbot naar schatting 1 TP4 T3,7 miljoen aan arbeidskosten bespaard, met een rendement op investering van 5271 TP3 T in 2026. Dat is echt geld, echte efficiëntiewinst en echt bewijs dat machine learning de capaciteit van de volksgezondheid kan vergroten.

Maar het verhaal gaat verder dan alleen kostenbesparingen. Machine learning-algoritmes detecteren ziekte-uitbraken in realtime, identificeren risicogroepen voordat crises ontstaan en personaliseren interventies op manieren die vijf jaar geleden nog onmogelijk waren.

Deze gids legt uit hoe machine learning de volksgezondheid verandert: wat werkt, wat het bewijsmateriaal aantoont en waar het vakgebied naartoe gaat.

Wat machine learning bijdraagt aan de volksgezondheid

Machine learning is een onderdeel van kunstmatige intelligentie dat patronen leert uit data zonder expliciete programmering voor elk scenario. Voer een algoritme duizenden patiëntendossiers en het kan voorspellen wie het grootste risico loopt op complicaties. Laat het satellietbeelden zien en het kan milieugezondheidsrisico's identificeren.

Traditionele statistische methoden vereisen dat onderzoekers relaties vooraf specificeren. Machine learning draait dat model om: het vindt relaties in de data zelf, zelfs relaties die mensen mogelijk over het hoofd zien.

De toepassingen vallen in verschillende categorieën uiteen:

• Toezicht en opsporing van uitbraken: Realtime analyse van symptoomgegevens, signalen van sociale media en klinische rapporten om opkomende bedreigingen vroegtijdig te signaleren.
• Voorspellende modellering: Het voorspellen van de verspreiding van ziekten, ziekenhuisopnames en benodigde middelen voordat ze zich voordoen.
• Diagnostische ondersteuning: Patroonherkenning in medische beelden, laboratoriumresultaten en patiëntendossiers om de nauwkeurigheid te verbeteren.
• Toewijzing van middelen: Optimalisatiealgoritmen die bepalen waar beperkt personeel, vaccins of testcapaciteit ingezet moeten worden.
• Identificatie van gezondheidsgelijkheid: Het opsporen van achtergestelde bevolkingsgroepen en verborgen ongelijkheden in complexe datasets.

Het punt is echter dat machine learning geen vervanging is voor epidemiologen of medewerkers in de volksgezondheid. Het vergroot juist wat zij kunnen bereiken met beperkte tijd en budgetten.

De AI-transformatie van het CDC: concrete cijfers, echte impact

De Centers for Disease Control and Prevention (CDC) was het eerste federale agentschap dat een generatieve AI-chatbot voor al haar medewerkers inzette. De resultaten spreken voor zich.

Dat ene initiatief heeft bijgedragen aan een geschatte besparing op arbeidskosten van meer dan 1 TP4 T3,7 miljoen, met een rendement op investering van 5271 TP3 T. Sindsdien hebben meer dan 30 federale instanties de richtlijnen van de CDC voor GenAI aangevraagd.

Maar het AI-werk van de CDC gaat veel verder dan chatbots:

TowerScout: Computervisie voor legionellapreventie

TowerScout gebruikt computervisie om satellietbeelden te analyseren en automatisch koeltorens te detecteren die mogelijk Legionella-bacteriën bevatten – de veroorzaker van de veteranenziekte.

Het resultaat? Een reductie van 98% in de identificatietijd. Wat voorheen vier uur per gebied duurde, duurt nu nog maar vijf minuten. Tijdens een uitbraakbestrijding kan dat tijdsverschil levens redden.

Nationaal Syndromisch Surveillance Programma

Dit systeem gebruikt machine learning-algoritmen om realtime symptoomgegevens van spoedeisende hulpafdelingen in het hele land te analyseren. Het detecteert uitbraken en monitort gezondheidstrends zodra deze zich voordoen, en niet pas dagen of weken later wanneer casusrapporten via traditionele kanalen binnenkomen.

NewsScape: Geautomatiseerde informatie-extractie

Het NewsScape-systeem van de CDC gebruikt natuurlijke taalverwerking om wereldwijde nieuwsbronnen te scannen op vermeldingen van ziekten, reiswaarschuwingen en noodsituaties op het gebied van de volksgezondheid. Het systeem verhoogde de efficiëntie van informatie-extractie met 80 procent ten opzichte van een basisscenario, waardoor teams in de volksgezondheid kunnen inspelen op inzichten die anders mogelijk over het hoofd zouden worden gezien.

Dit zijn geen pilotprojecten of proof-of-concepts. Het zijn operationele systemen die de volksgezondheid nu al beschermen.

Ziektebewaking en voorspelling van uitbraken

Traditionele ziektebewaking is gebaseerd op casusrapporten die van artsen naar lokale gezondheidsdiensten, vervolgens naar overheidsinstanties en uiteindelijk naar de CDC stromen. Dat proces kost tijd – vaak dagen of weken.

Machine learning draait de tijdlijn om. Algoritmen kunnen ongebruikelijke patronen detecteren in bezoeken aan de spoedeisende hulp, de verkoop van receptplichtige medicijnen, berichten op sociale media of zoekopdrachten in zoekmachines, vrijwel in realtime.

Een onderzoek, waarbij gebruik werd gemaakt van gegevens uit overheidsmonitoring over middelengebruik, seksueel overdraagbare aandoeningen en gemeenschapskenmerken, identificeerde prioriteitsgebieden voor hiv-preventieprogramma's door middel van modellen voor begeleid leren. Van de gebieden die door het algoritme werden aangewezen, had 79% geen programma's geïmplementeerd, wat aanzienlijke lacunes in de dekking aan het licht bracht.

De resultaten van de voorspelling van uitbraken zijn bijzonder sterk. LSTM- en GRU-neurale netwerkmodellen behaalden consistent nauwkeurigheidspercentages tot 93% bij het voorspellen van dengue- en griepuitbraken, waarmee ze traditionele methoden zoals ARIMA of logistische regressie overtroffen.

Wat maakt machine learning effectief voor surveillance?

Machine learning blinkt om verschillende redenen uit in bewaking:

• Patroonherkenning in ruis: Gegevens over de volksgezondheid zijn onoverzichtelijk. Machine learning-algoritmen kunnen betekenisvolle signalen detecteren te midden van onvolledige gegevens, vertragingen in de rapportage en variaties in de achtergrond.
• Integratie van meerdere bronnen: Traditionele methoden hebben moeite met het combineren van uiteenlopende gegevenstypen. Machine learning kan klinische gegevens, omgevingssensoren, demografische informatie en gedragssignalen samenvoegen tot uniforme risicobeoordelingen.
• Tijdsmodellering: Terugkerende neurale netwerken en vergelijkbare architecturen leggen vast hoe ziektepatronen zich in de loop van de tijd ontwikkelen, en niet slechts momentopnamen.

Het National Syndromic Surveillance Program verwerkt gelijktijdig symptoomgegevens van duizenden spoedeisendehulpafdelingen. Geen enkel menselijk team zou die hoeveelheid handmatig kunnen beoordelen, maar machine learning-algoritmen doen dat continu.

Diagnose en optimalisatie van de behandeling

Het gebruik van machine learning (ML) ter ondersteuning van klinische besluitvorming is snel toegenomen. Analyse van ML- en AI-publicaties op het gebied van de volksgezondheid toonde aan dat diagnostiek een veelvoorkomend toepassingsgebied was, gevolgd door behandeling.

Een geoptimaliseerd ensemblemodel dat deep learning combineert met traditionele machine learning behaalde een voorspellingsnauwkeurigheid van 92% voor ziekten zoals acute hepatitis B, malaria en meningitis, gebaseerd op laboratoriumtestresultaten.

Voor bloedbaaninfecties – een belangrijke oorzaak van ziekenhuissterfte – behaalden ML-modellen een AUROC van 0,82 bij het voorspellen van slechte uitkomsten, waardoor artsen patiënten met een hoog risico eerder kunnen identificeren.

Antimicrobiële resistentie: een cruciale toepassing

Antimicrobiële resistentie vormt een van de ernstigste bedreigingen voor de wereldwijde volksgezondheid. Prognoses wijzen erop dat AMR, zonder effectieve interventie, tegen 2050 jaarlijks tot 10 miljoen doden zou kunnen leiden en de wereldeconomie tot wel 1,4 biljoen dollar zou kunnen kosten.

In het ziekenhuis opgelopen resistente infecties leiden jaarlijks tot aanzienlijk verlies van ziekenhuisbedden en hoge kosten. Carbapenemresistentie onder K. pneumoniae-isolaten vormt een grote uitdaging voor de volksgezondheid.

ML blijkt waardevol te zijn voor:

• Het voorspellen welke patiënten resistente infecties zullen ontwikkelen op basis van eerdere blootstelling aan antibiotica, comorbiditeiten en lokale resistentiepatronen.
• Optimalisatie van de antibioticakeuze door patiëntkenmerken af te stemmen op historische behandelresultaten.
• Het identificeren van transmissiepatronen binnen ziekenhuizen om infectiebestrijdingsmaatregelen te kunnen richten op de implementatie ervan.
• Het voorspellen van resistentietrends om empirische behandelingsrichtlijnen te onderbouwen

Random forests behaalden de beste resultaten in 56% van taken voor ziektevoorspelling in meerdere studies, met name voor aandoeningen met specifieke behandelingsmogelijkheden zoals diabetes.

Toewijzing van middelen en gezondheidsgelijkheid

Volksgezondheidsdiensten werken met ernstige beperkingen qua middelen. Welke buurten hebben extra vaccinatieklinieken nodig? Hoeveel contactonderzoekers moet elke gemeente krijgen? Waar moet de beperkte testcapaciteit worden ingezet?

ML-optimalisatiealgoritmen kunnen deze vragen beantwoorden op basis van de ziektelast, bevolkingsdichtheid, toegangsbelemmeringen en voorspelde deelname – factoren die te complex zijn voor handmatige toewijzing.

Het identificeren van ongelijkheden in de gezondheidszorg

Hier wordt machine learning pas echt interessant. Traditionele analyses tonen misschien aan dat bepaalde postcodegebieden hogere ziektecijfers hebben. Machine learning kan dieper graven en specifieke combinaties van armoede, blootstelling aan milieufactoren, toegang tot gezondheidszorg en sociale determinanten identificeren die een geconcentreerd risico creëren.

Uit een analyse van ML-publicaties op het gebied van volksgezondheid bleek dat slechts 105 publicaties zich richtten op gezondheidsgelijkheid – de kleinste categorie die werd onderzocht. Deze lacune vormt zowel een uitdaging als een kans.

Wanneer machine learning (ML) op de juiste manier is ontworpen en rekening houdt met gelijkheid, kan het ongelijkheden aan het licht brengen die in algemene statistieken over het hoofd worden gezien. Systemen voor het voorspellen van de geestelijke gezondheid, gebaseerd op natuurlijke taalverwerking en data van draagbare apparaten, behaalden een nauwkeurigheid tot 91% bij het detecteren van stress en depressie – waardoor mogelijk risicopersonen al vóór een crisissituatie kunnen worden geïdentificeerd.

Maar er is een addertje onder het gras. Machine learning-modellen die getraind zijn op bevooroordeelde data, zullen die vooroordelen versterken. Als de trainingsdata bepaalde bevolkingsgroepen ondervertegenwoordigen, presteert het model slecht voor die groepen. Toepassingen op het gebied van gezondheidsgelijkheid vereisen bewuste aandacht voor representatieve datasets en eerlijkheidsmaatstaven.

Implementatiewetenschap en beleidsevaluatie

Hoe weten volksgezondheidsdiensten welke interventies daadwerkelijk werken in de praktijk? Implementatiewetenschap probeert die antwoorden te vinden, en machine learning verlegt de grenzen van wat mogelijk is.

Traditionele evaluatiemethoden vergelijken de resultaten vóór en na een interventie. Machine learning-benaderingen kunnen voorspellen wat het beste werkt, voor wie, onder welke omstandigheden en met welke mate van ondersteuning.

Strategisch implementatiekader

ML-technieken zijn toepasbaar in alle implementatiefasen:

Support vector machines, random forests en neurale netwerken zijn allemaal toegepast op implementatievraagstukken. Het belangrijkste voordeel: deze modellen kunnen de complexiteit van implementaties in de praktijk aan, waar tientallen factoren op elkaar inwerken.

Beleidsevaluatie op grote schaal

Het evalueren van volksgezondheidsbeleid vereist traditioneel uitgebreide gegevensverzameling, lange follow-up perioden en een zorgvuldige selectie van controlegroepen. Machine learning maakt een snellere en meer genuanceerde evaluatie mogelijk.

In één onderzoek werden meerdere machine learning-algoritmen, waaronder support vector machines, gebruikt om interventies voor stoppen met roken te evalueren. Daarbij werd geanalyseerd welke patiëntkenmerken en programma-eigenschappen succes voorspelden. De modellen identificeerden specifieke subgroepen waar standaardbenaderingen faalden en alternatieve strategieën beter werkten.

Beslissingsbomen bleken bijzonder waardevol voor beleidsevaluatie omdat ze interpreteerbaar zijn: beleidsmakers kunnen precies zien welke factoren de uitkomsten beïnvloeden en bij welke drempelwaarden.

Gebruik machine learning voor de analyse van volksgezondheidsgegevens met superieure AI.

Volksgezondheidssystemen zijn afhankelijk van grootschalige data uit meerdere bronnen, waaronder demografische gegevens, medische dossiers en statistische rapportages. Machine learning helpt bij het identificeren van patronen en het verbeteren van de data-interpretatie. AI Superieur Wij bieden AI-consultancy en machine learning-ontwikkeling voor datagestuurde toepassingen in de gezondheidszorg.

Zoekt u een machine learning-oplossing voor volksgezondheidsgegevens?

AI Superior kan projecten ondersteunen die betrekking hebben op:

• Ontwikkeling van op maat gemaakte machine learning-modellen voor grote datasets
• Statistische en voorspellende data-analyse
• Integratie van ML-oplossingen in bestaande platforms

👉Neem contact op met AI Superior om uw machine learning-project op het gebied van volksgezondheid te bespreken.

Uitdagingen en beperkingen

Machine learning in de volksgezondheid stuit op aanzienlijke uitdagingen. Het begrijpen van deze uitdagingen is net zo belangrijk als het begrijpen van de toepassingen ervan.

Kwaliteit en beschikbaarheid van gegevens

ML-modellen zijn slechts zo goed als hun trainingsdata. Data over de volksgezondheid brengen unieke problemen met zich mee:

• Onvolledigheid: Niet iedereen heeft toegang tot gezondheidszorg. Niet alle aandoeningen worden gemeld. De surveillancesystemen vertonen lacunes.
• Vooroordeel: Als bepaalde bevolkingsgroepen ondervertegenwoordigd zijn in medische dossiers, zullen modellen die op die gegevens zijn getraind, slecht presteren voor die groepen.
• Fragmentatie: Gegevens zijn verspreid over tientallen losgekoppelde systemen: ziekenhuisdossiers, verzekeringsclaims, statistieken over geboorte en sterfte, ziekteregisters, milieumonitoring. Het integreren van deze bronnen is technisch en juridisch complex.

Transparantie en vertrouwen

Veel krachtige machine learning-modellen zijn 'black boxes' – ze leveren accurate voorspellingen op, maar leggen niet uit waarom. Beslissingen op het gebied van de volksgezondheid hebben gevolgen voor het leven van mensen. "Het algoritme zegt het" is geen voldoende rechtvaardiging om een kliniek te sluiten of een interventie te richten op specifieke doelgroepen.

Uit een analyse van publicaties over AI en machine learning bleek dat, hoewel meer dan de helft gebruikmaakte van open-source software, slechts één op de zes auteurs (~16%) hun gedetailleerde algoritmen openbaar maakte. Dit gebrek aan transparantie belemmert validatie en het opbouwen van vertrouwen.

Er komen steeds meer methoden voor verklaarbare AI op, maar deze blijven achter bij de voorspellende prestaties. Het vakgebied heeft modellen nodig die zowel nauwkeurig als interpreteerbaar zijn.

Aandelenrisico's

Eerlijk gezegd: machine learning kan de ongelijkheid in de gezondheidszorg verergeren als het onzorgvuldig wordt ingezet. Modellen die voornamelijk zijn getraind op data uit goed uitgeruste zorgsystemen, kunnen falen wanneer ze worden toegepast op achtergestelde gemeenschappen.

Algoritmische vooringenomenheid is niet alleen een technisch probleem. Het weerspiegelt en kan bestaande structurele ongelijkheden in de toegang tot gezondheidszorg, deelname aan onderzoek en gegevensverzameling versterken.

Om dit aan te pakken is het volgende nodig:

• Diverse trainingsdatasets die alle doelgroepen vertegenwoordigen.
• Eerlijkheidsindicatoren geëvalueerd aan de hand van verschillende demografische groepen.
• Betrokkenheid van de gemeenschap bij beslissingen over het ontwerp en de implementatie van algoritmen.
• Regelmatige controles op ongelijke behandeling

Personeel en capaciteit

Volksgezondheidsdiensten hebben medewerkers nodig die zowel epidemiologie als machine learning begrijpen. Die combinatie van vaardigheden is zeldzaam en duur.

Vooral kleinere jurisdicties hebben het moeilijk. Het bouwen en onderhouden van machine learning-systemen vereist datawetenschappers, software-engineers en computerinfrastructuur. Niet elke gezondheidsdienst beschikt over die middelen.

Cloudgebaseerde platforms en gedeelde diensten kunnen helpen, maar capaciteitsopbouw blijft een grote belemmering voor wijdverspreide toepassing.

Ethische overwegingen en governance

De WHO heeft het belang benadrukt van het waarborgen van veiligheid, effectiviteit en een passend bestuur voor AI-systemen in de gezondheidszorg. Hun richtlijnen beschrijven de volgende kernprincipes:

• Bescherm de menselijke autonomie: ML-systemen moeten het menselijk oordeel bij besluitvorming op het gebied van de volksgezondheid ondersteunen, en niet vervangen.
• Bevorder het welzijn en de veiligheid van de mens: Algoritmen moeten grondig worden getest voordat ze worden ingezet, met continue monitoring om onbedoelde gevolgen te voorkomen.
• Zorg voor transparantie en uitlegbaarheid: Degenen die getroffen worden door beslissingen die gebaseerd zijn op machine learning, verdienen het om te begrijpen hoe die beslissingen tot stand zijn gekomen.
• Stimuleer verantwoordelijkheid en aansprakelijkheid: Er moeten duidelijke verantwoordelijkheidslijnen bestaan wanneer algoritmes fouten maken of schade veroorzaken.
• Zorg voor inclusiviteit en gelijkheid: Toepassingen van machine learning moeten de ongelijkheid in de gezondheidszorg verminderen, niet vergroten.
• Bevorder responsieve en duurzame systemen: ML-tools moeten ontworpen zijn voor langdurig onderhoud en aanpassing naarmate populaties en bedreigingen veranderen.

Regelgevingslandschap

De WHO heeft overwegingen gepubliceerd voor de regulering van AI in de gezondheidszorg, waarbij de nadruk ligt op de noodzaak om de veiligheid en effectiviteit te waarborgen en tegelijkertijd snel geschikte systemen beschikbaar te stellen aan degenen die ze nodig hebben.

De uitdaging: traditionele regelgeving is niet ontworpen voor algoritmen die leren en evolueren. Een machine learning-model dat goed presteert in proefprojecten, kan in de praktijk afwijken naarmate de dataverdeling verandert.

Continue monitoring en bijsturing zijn noodzakelijk, maar hoe houden regelgevende instanties daar toezicht op? De governance-modellen worden nog steeds uitgewerkt.

De toekomst: Waar gaan machine learning en volksgezondheid naartoe?

Verschillende trends versnellen:

Generatieve AI-integratie

Het succes van de CDC met GenAI-chatbots is nog maar het begin. Grote taalmodellen kunnen medische literatuur samenvatten, publieke mededelingen opstellen en routinematige vragen beantwoorden, waardoor medewerkers zich kunnen richten op complex werk dat alleen door mensen kan worden gedaan.

Maar generatieve AI brengt nieuwe risico's met zich mee. Deze modellen kunnen op overtuigende wijze valse informatie "hallucineren". Beveiligingsmaatregelen zijn daarom cruciaal.

Gefedereerd leren

Deze aanpak traint machine learning-modellen in meerdere instellingen zonder ruwe data te delen, waardoor privacyproblemen worden opgelost en grootschalig leren mogelijk wordt. Ziekenhuizen en gezondheidsdiensten kunnen gezamenlijk modellen ontwikkelen, terwijl de patiëntgegevens lokaal blijven.

Realtime genomische surveillance

Machine learning-analyse van pathogeengenomen wordt steeds sneller, waardoor het geschikt is voor de bestrijding van uitbraken. Tijdens toekomstige pandemieën zullen algoritmes de opkomst van varianten volgen, immuunontwijking voorspellen en vaccinupdates vrijwel in realtime aansturen.

Draagbare apparaten en continue monitoring

Consumentenapparaten genereren continu fysiologische gegevens. Machine learning-algoritmen kunnen infecties detecteren voordat symptomen optreden, de behandeling van chronische ziekten monitoren en achteruitgang van de geestelijke gezondheid signaleren. De implicaties voor privacy en toestemming zijn enorm.

Klimaat en milieugezondheid

Er worden machine learning-modellen ontwikkeld om te voorspellen hoe klimaatverandering ziektepatronen zal beïnvloeden: waar door muggen overgedragen ziekten zich zullen verspreiden, welke gemeenschappen kwetsbaar zijn voor hitte en hoe bosbranden de gezondheid van de luchtwegen zullen beïnvloeden.

Praktische stappen voor volksgezondheidsinstanties

Organisaties die machine learning willen implementeren, dienen een gestructureerde aanpak te volgen:

Begin met de data-infrastructuur.

Voordat je modellen gaat bouwen, moet je de datasystemen op orde brengen. Dat betekent:

• Gestandaardiseerde gegevensformaten voor alle afdelingen en systemen.
• Elektronische datapijplijnen die handmatige invoer verminderen
• Beleid voor gegevensbeheer met betrekking tot privacy, beveiliging en delen.
• Kwaliteitsborgingsprocessen om fouten op te sporen voordat ze modellen beschadigen.

Saai? Absoluut. Essentieel? Ook ja.

Identificeer waardevolle gebruiksscenario's

Niet elk probleem vereist machine learning. Richt je op toepassingen waarbij:

• De nauwkeurigheid van de voorspelling is belangrijker dan de uitleg (bijvoorbeeld bij het voorspellen van uitbraken).
• De patronen zijn te complex voor traditionele methoden.
• Schaalvergroting vereist automatisering (bijvoorbeeld het screenen van duizenden rapporten).
• Een realtime respons biedt duidelijke meerwaarde.

CDC's TowerScout is een perfect voorbeeld: computervisie loste een specifiek, waardevol probleem op (het vinden van koeltorens) dat handmatig een moeizaam en tijdrovend proces was.

Stel multidisciplinaire teams samen.

Effectieve machine learning in de volksgezondheid vereist:

• Epidemiologen die inzicht hebben in ziektedynamiek en causale verbanden.
• Datawetenschappers die modellen kunnen bouwen en afstemmen.
• Software-engineers die systemen betrouwbaar kunnen implementeren.
• Ethici die potentiële schadelijke gevolgen kunnen identificeren.
• Belanghebbenden uit de gemeenschap die de lokale context begrijpen

Niemand bezit al die vaardigheden in zijn eentje. Teams wel.

Voer een grondige validatie uit vóór de implementatie.

Test modellen op aparte datasets. Controleer de prestaties in verschillende demografische groepen. Voer pilotstudies uit met menselijke beoordeling. Verbeter het model op basis van feedback.

Monitor de situatie vervolgens continu na de implementatie, omdat de modelprestaties kunnen afwijken naarmate de populaties en omstandigheden veranderen.

Vergelijking van casestudies: traditionele versus machine learning-benaderingen

Onderzoeksprioriteiten en kennislacunes

Op verschillende gebieden is meer aandacht nodig:

• Toepassingen op het gebied van gezondheidsgelijkheid: Slechts 105 van de geanalyseerde ML-publicaties richtten zich op gelijkheid – een klein percentage van het totaal. Methoden voor het opsporen en aanpakken van algoritmische vooringenomenheid moeten verder ontwikkeld worden.
• Causale gevolgtrekking: De meeste machine learning-modellen voorspellen correlaties, maar kunnen geen oorzakelijk verband bewijzen. De volksgezondheid moet begrijpen wat de uitkomsten veroorzaakt, en ze niet alleen voorspellen.
• Instellingen voor kleine datasets: Machine learning vereist doorgaans grote datasets. Methoden die werken met beperkte data – vaak voorkomend in omgevingen met beperkte middelen of bij zeldzame ziekten – blijven een uitdaging.
• Interpretatievermogen: Er is meer onderzoek nodig naar verklaarbare AI-methoden die hun voorspellende prestaties behouden en tegelijkertijd laten zien hoe beslissingen worden genomen.
• Implementatiewetenschap: De technische literatuur over machine learning is enorm. Richtlijnen voor de praktische toepassing ervan in de volksgezondheid zijn echter schaarser.

Veelgestelde vragen