Towards clinical implementation of artificial intelligence in cancer care: Concept mapping analysis of provincial workshop findings

Deze studie analyseert de perspectieven van diverse belanghebbenden tijdens een workshop in Brits-Columbia om een gestructureerd raamwerk te ontwikkelen voor de prioritering en implementatie van kunstmatige intelligentie in de kankerzorg, waarbij de nadruk ligt op klinische voordelen en efficiency ten opzichte van uitdagingen en beveiliging.

De kern

De AI-Revolutie in de Kankerzorg: Een Reisgids voor Iedereen

Stel je voor dat de zorg voor kankerpatiënten een enorm, drukke luchthaven is. Er zijn duizenden reizigers (patiënten), duizenden bagagekarren (medische gegevens), en honderden piloten, stewardessen en technici (artsen, verpleegkundigen en onderzoekers) die allemaal samenwerken om iedereen veilig en snel naar hun bestemming te brengen.

Deze luchthaven wordt steeds drukker. De uitdagingen worden groter, en de complexiteit neemt toe. Nu komt er een nieuwe, slimme assistent op de proppen: Kunstmatige Intelligentie (AI). Deze assistent kan helpen met het plotten van routes, het controleren van bagage en het voorspellen van weersomstandigheden. Maar de vraag is: Hoe laten we deze assistent veilig en effectief binnenkomen op de luchthaven zonder dat het hele systeem in de war raakt?

Dit is precies wat dit onderzoek doet. Wetenschappers hebben een grote bijeenkomst gehouden met iedereen die met deze luchthaven te maken heeft: patiënten, artsen, IT-experts en bestuurders. Ze hebben gekeken naar wat mensen vinden van deze nieuwe AI-assistent.

De Grote Brainstorm: Wat vinden mensen?

De onderzoekers hebben 48 mensen uitgenodigd om te brainstormen. Ze vroegen drie simpele vragen:

1. Wat zijn jullie zorgen? (Bijvoorbeeld: "Wat als de computer fouten maakt?" of "Wat als mijn privacy niet veilig is?")
2. Wat zijn de voordelen? (Bijvoorbeeld: "Het kan ons tijd besparen" of "Het kan sneller diagnoses stellen.")
3. Wat zijn de prioriteiten? (Wat moeten we eerst doen?)

Uit dit gesprek kwamen 265 verschillende ideeën naar voren. Dat is veel te veel om in je hoofd te houden, dus de onderzoekers gebruikten een slimme techniek (een soort digitale "sorteer-machine") om deze ideeën te groeperen.

De Twee Grote Werelden

De machine zette alle ideeën op een kaart en ontdekte dat ze in twee grote groepen vielen, alsof er twee verschillende werelden zijn:

Wereld 1: De "Zorgen en Veiligheidsregels" (De Politie en de Brandweer)
Hier zitten alle ideeën over wat er mis kan gaan en wat we nodig hebben om het veilig te houden.

• Voorbeelden: "Zorgen over privacy," "Wie is er verantwoordelijk als de AI een fout maakt?" en "Hoe voorkomen we dat de computer vooroordelen heeft?"
• Het gevoel: Mensen vinden dit belangrijk, maar ze vinden het moeilijk om dit snel op te lossen. Het is alsof je zegt: "We moeten absoluut een nieuwe brandweerpost bouwen, maar dat kost veel geld en tijd."

Wereld 2: De "Voordelen en Efficiëntie" (De Snelle Express)
Hier zitten alle ideeën over hoe AI het werk makkelijker en sneller maakt.

• Voorbeelden: "Minder administratie," "Sneller diagnoses stellen," "Meer tijd voor de patiënt" en "Hulp bij het uitleggen van medische termen."
• Het gevoel: Mensen vinden dit ook belangrijk, maar ze vinden het makkelijk om dit te doen. Het is alsof je zegt: "We kunnen nu direct een snellere trein inzetten; dat werkt meteen!"

De Grote Verschil: Wat is er aan de hand?

Het meest interessante resultaat is dit: Mensen zijn het erover eens dat de voordelen (Wereld 2) nu al haalbaar zijn, terwijl de zorgen (Wereld 1) nog veel tijd en investering nodig hebben.

Stel je voor dat je een nieuw huis bouwt:

• De voordelen zijn als het inrichten van de keuken en het kopen van een comfortabele bank. Dat kun je nu al doen, en het maakt het leven direct beter.
• De zorgen zijn als het bouwen van een nieuw stroomnetwerk en het regelen van de vergunningen bij de gemeente. Dat is cruciaal voor de veiligheid, maar het duurt lang en kost veel moeite.

De onderzoekers ontdekten dat artsen en niet-artsen (zoals IT-experts) ongeveer hetzelfde denken. Ze zien allemaal dat we eerst de "snelle winst" moeten pakken (zoals het automatiseren van saaie administratieve taken), terwijl we tegelijkertijd aan de lange termijn werken (zoals het maken van strenge regels voor privacy).

De "Go-Zone" Kaart: Wat moeten we eerst doen?

De onderzoekers maakten een soort "strategische kaart" (een Go-Zone plot) om te zien wat we nu moeten doen:

1. De Gouden Zone (Hoog belang, Hoge haalbaarheid): Dit zijn de dingen die we nu moeten doen. Bijvoorbeeld: AI gebruiken om medische verslagen te samenvatten of om artsen te helpen bij het zoeken naar informatie. Dit werkt direct en helpt iedereen.
2. De "Wacht en Werk" Zone (Hoog belang, Lage haalbaarheid): Dit zijn de grote zorgen, zoals privacywetgeving en ethische regels. Dit is superbelangrijk, maar we kunnen het niet morgen oplossen. We moeten hier langdurig aan werken.
3. De "Snelle Winst" Zone (Laag belang, Hoge haalbaarheid): Kleine dingen die makkelijk zijn, maar niet het grootste probleem oplossen.
4. De "Laag Prioriteit" Zone: Dingen die we voor nu even kunnen laten rusten.

Wat betekent dit voor jou?

Kortom: AI in de kankerzorg is geen magie die morgen alles oplost, maar ook geen gevaarlijk monster dat we moeten vrezen.

Het is meer als het bouwen van een slimme, nieuwe auto.

• We kunnen de motor (de voordelen, zoals snellere diagnoses) nu al installeren en gebruiken. Dat maakt de rit comfortabeler.
• Maar we moeten tegelijkertijd aan de remmen en de verkeersregels (de zorgen, zoals privacy en veiligheid) werken. Die zijn nog niet helemaal klaar, maar we mogen ze niet vergeten.

De boodschap van dit onderzoek is duidelijk: Laten we niet wachten tot alles perfect is. Laten we beginnen met de dingen die nu al werken en direct helpen, terwijl we tegelijkertijd de regels en veiligheid opbouwen voor de toekomst. Zo zorgen we ervoor dat AI de kankerzorg echt verbetert, zonder dat we de patiënten in gevaar brengen.

Technische samenvatting

Titel

Naar de klinische implementatie van kunstmatige intelligentie in de kankerzorg: Conceptmapping-analyse van bevindingen uit een provinciale workshop.

1. Probleemstelling en Achtergrond

Kunstmatige intelligentie (AI) heeft het potentieel om de kwaliteit, efficiëntie en uitkomsten in de gezondheidszorg aanzienlijk te verbeteren. Oncologie, als een complex, multidisciplinair veld, is bij uitstek geschikt voor AI-toepassingen. Echter, ondanks de groeiende literatuur over AI in de geneeskunde, ontbreekt het aan specifieke inzichten in de implementatie van AI binnen de kankerzorg, met name vanuit het perspectief van alle stakeholders (patiënten, familieleden, clinici, onderzoekers, IT-professionals en beheerders).

De kernuitdaging ligt in het vertalen van theoretisch bewijs naar praktische implementatie. Zonder een goed begrip van de attitudes, zorgen en prioriteiten van stakeholders, loopt men het risico op vertragingen in adoptie of mislukte implementaties. Er is behoefte aan een gestructureerd raamwerk om te bepalen welke AI-toepassingen prioriteit moeten krijgen en hoe deze het beste kunnen worden ingevoerd.

2. Methodologie

Het onderzoek volgde een participatieve, mixed-methods aanpak gebaseerd op Concept Mapping, een gestructureerde methode om kwalitatieve ideeën te vertalen naar kwantitatieve visuele kaarten.

• Datacollectie (Workshop):

  • Locatie & Deelnemers: Een workshop tijdens de 2024 BC Cancer Summit (Vancouver, Canada) met 48 deelnemers uit diverse achtergronden (patiënten, clinici, AI-onderzoekers, IT-experts, bestuurders).
  • Proces: Deelnemers beantwoordden drie leidende vragen: zorgen, voordelen en prioriteiten voor AI in de kankerzorg.
  • Output: Er werden 265 unieke statements gegenereerd.

• Concept Mapping Proces:

  • Selectie Expert Panel: Een panel van 13 experts (purposive sampling) werd geselecteerd voor de sorteer- en rating-taken. Dit panel bestond uit clinici (54%), AI-onderzoekers (31%), en administratieve/patient-experts.
  • Sorteren (Organisatie): Het panel sorteerde de 100 gereduceerde statements in groepen die logisch voor hen waren.
  • Raten (Beoordeling): Elke statement werd beoordeeld op een 5-punts Likert-schaal voor:
    1. Belangrijkheid (1 = relatief onbelangrijk tot 5 = extreem belangrijk).
    2. Haalbaarheid (1 = relatief onuitvoerbaar tot 5 = extreem haalbaar).

• Data-analyse:

  • Multidimensionale Schaling (MDS): Gebruikt om een tweedimensionale ruimtelijke kaart te genereren waarbij de afstand tussen statements de frequentie weergeeft waarmee ze samen werden gesorteerd.
  • Clusteranalyse: Hiërarchische clusteranalyse (Ward's methode) werd toegepast om de statements te groeperen. De optimale aantallen clusters werden bepaald via silhouet-analyse en de "elbow method".
  • Subclusteranalyse: Verdere verfijning binnen de hoofdclusters om subthema's te identificeren.
  • Statistiek: Vergelijkingen tussen clusters en subgroepen (klinisch vs. niet-klinisch) werden uitgevoerd met t-tests, Mann-Whitney U-tests en effectgroottes (Cohen's d).
  • Go-Zone Analyse: Een matrix die statements in vier kwadranten plaatst op basis van hun gemiddelde belangrijkheid en haalbaarheid ten opzichte van het totaal gemiddelde.

3. Belangrijkste Resultaten

• Generatie van Statements: Uit de workshop kwamen 265 statements voort, die na filtering resulteerden in 100 statements voor de analyse.

• Twee Hoofdclusters: De analyse identificeerde twee duidelijke clusters:

  1. Cluster 1: "Uitdagingen en Waarborgen voor AI-implementatie" (62 statements). Dit omvatte ethische zorgen, privacy, regelgeving, bias, en systemische risico's.
  2. Cluster 2: "Klinische Voordelen en Efficiëntiewinst" (38 statements). Dit omvatte workflow-verbetering, diagnoseondersteuning, patiëntcommunicatie en tijdbesparing.

• Statistische Bevindingen:

  • Belangrijkheid & Haalbaarheid: Cluster 2 kreeg significant hogere scores voor zowel belangrijkheid ($M=3.50$) als haalbaarheid ($M=3.62$) vergeleken met Cluster 1 ($M=3.14$ en $M=2.99$ respectievelijk). De verschillen waren statistisch significant ($P < .001$) met grote effectgroottes.
  • Subclusters: Er werden 8 subclusters geïdentificeerd (4 per cluster).
    • Cluster 2 Subclusters: Toonden de hoogste scores, met name "Directe workflow-verbeteringen" en "Patiëntgerichte communicatie".
    • Cluster 1 Subclusters: Toonden lagere scores, met name voor "Regelgeving en privacy" en "Ethische overwegingen".
  • Klinisch vs. Niet-Klinisch: Er waren geen significante verschillen in belangrijkheidsscores tussen klinische en niet-klinische professionals. Wel gaven klinische professionals Cluster 2 significant hoger haalbaarheidscores ($P = .029$).

• Go-Zone Analyse:

  • Kwadrant I (Hoog-Hoog): 36 statements (36%) worden gezien als directe implementatiekansen (hoge belangrijkheid, hoge haalbaarheid).
  • Kwadrant III (Hoog-Laag): 13 statements (13%) zijn zeer belangrijk maar moeilijk haalbaar (vereisen langetermijninvestering in R&D en governance).
  • Kwadrant II & IV: Bevatten "Quick wins" (laag belang, hoog haalbaar) en items met lage prioriteit.

4. Kernbijdragen

1. Eerste Gestructureerde Raamwerk: Dit is het eerste onderzoek dat conceptmapping toepast om de perspectieven van eindgebruikers over AI-implementatie specifiek in de oncologie te analyseren.
2. Differentiatie van Implementatie: Het paper onderscheidt duidelijk tussen AI-toepassingen die direct in bestaande workflows passen (hoge haalbaarheid) en systemische governance-eisen (hoge belangrijkheid, maar lage haalbaarheid op korte termijn).
3. Strategische Prioritering: Het biedt een kwantitatieve basis voor het sequentiëren van implementatie-inspanningen: begin met workflow-gerichte tools om snel vertrouwen en waarde te creëren, terwijl parallel wordt geïnvesteerd in de langere termijn governance-structuur.
4. Stakeholder-gebaseerde Validatie: Door zowel patiënten als experts te betrekken, biedt het een holistisch beeld dat verder gaat dan louter technische haalbaarheid.

5. Betekenis en Conclusie

De studie concludeert dat de implementatie van AI in de kankerzorg geen "one-size-fits-all" proces is, maar een gefaseerde inspanning vereist.

• Korte termijn: Organisaties moeten focussen op tools die directe klinische druk verlichten (bijv. documentatie, triage, communicatie), aangezien deze door stakeholders als zowel belangrijk als haalbaar worden gezien.
• Lange termijn: Er is een noodzaak voor structurele investeringen in data-governance, transparantie, regelgeving en ethische kaders, die momenteel als minder haalbaar worden ervaren maar cruciaal zijn voor duurzame adoptie.

Dit conceptmapping-raamwerk fungeert als een praktische blauwdruk voor beleidsmakers, implementatiewetenschappers en zorgorganisaties om AI-strategieën contextsensitief en verantwoord te plannen. Het helpt bij het vermijden van valkuilen door te anticiperen op specifieke zorgen (zoals privacy en bias) terwijl het de weg vrijmaakt voor snelle, waardevolle innovaties in de dagelijkse praktijk.