📄 medicine

AI Benefits and Machine Learning Errors - Neurology, Psychiatry and Neurosurgery

Deze systematische review van 79 studies (2018–2026) benadrukt dat hoewel AI de neurologie, psychiatrie en neurochirurgie aanzienlijk verbetert door verbeterde diagnostiek en chirurgische precisie, het ook substantiële risico's op misdiagnose en bias introduceert—met name bij ondervertegenwoordigde populaties en randgevallen—hetgeen strikte foutopsporing, rechtvaardigheidsaudits en menselijk toezicht noodzakelijk maakt om een veilige klinische implementatie te waarborgen.

Oorspronkelijke auteurs: Saif M. Hassan

Gepubliceerd 2026-06-26

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Saif M. Hassan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je Kunstmatige Intelligentie (AI) in de geneeskunde voor als een superkrachtige, ongelooflijk snelle assistent-arts. Deze assistent heeft elk medisch tekstboek dat bestaat gelezen en kan patronen in hersenscans, EEG's en patiëntendossiers sneller herkennen dan welke mens dan ook. Echter, net als elke leerling, heeft het een specifieke set "blinde vlekken" waar het van in de war raakt, en als we niet voorzichtig zijn, kunnen die fouten patiënten schaden.

Dit artikel, geschreven door Saif M. Hassan, is een systematisch overzicht (een enorme rapportcijferlijst) dat naar 79 verschillende studies keek tussen 2018 en 2026. Het controleerde hoe deze "assistent" presteerde in drie specifieke wijken van de geneeskunde: Neurologie (hersenen en zenuwaandoeningen), Psychiatrie (mentale gezondheid) en Neurochirurgie (operaties aan de hersenen en de wervelkolom).

Hier is de uitsplitsing van wat het artikel vond, met behulp van eenvoudige analogieën.

1. De Superkrachten (De Voordelen)

Het artikel geeft toe dat deze AI-assistent op veel manieren echt nuttig is. Het werkt als een hogesnelheidsturbo voor artsen.

In de Neurologie (De Hersenen & Zenuwen):
- De Snelheidsduivel: Wanneer een patiënt een beroerte krijgt, is tijd hersenen. De AI kan de geblokkeerde bloedvat op een scan in 2 minuten opsporen, terwijl een menselijke radioloog 15 minuten nodig heeft. Dit bespaart ongeveer 33% van de tijd vóór de operatie, waardoor hulp sneller bij de patiënt komt.
- De Patroonzoeker: Voor epilepsie kan de AI hersengolven (EEG) beluisteren en epileptische aanvallen opsporen met 91% nauwkeurigheid, wat overeenkomt met menselijke experts, maar doet het veel sneller.
- De Tijdbespaarder: Voor Multiple Sclerose (MS) kan de AI beschadigde gebieden in de hersenen in 2 minuten in kaart brengen, een taak die een mens 20 minuten kost.
In de Psychiatrie (Mentale Gezondheid):
- De Voorspeller: De AI is beter in het voorspellen of iemand met depressie zal reageren op een specifiek medicijn dan het onderbuikgevoel van een arts. Het kan ook het risico op zelfmoord beter voorspellen dan een standaard klinisch interview.
- De Differentieerder: Het helpt om het verschil te zien tussen schizofrenie en bipolaire stoornis nauwkeuriger dan een standaard interview alleen.
In de Neurochirurgie (Operaties):
- Het Precisie-instrument: Wanneer chirurgen hersentumoren verwijderen, helpt AI hen om de randen beter te zien, waardoor ze meer van de tumor kunnen verwijderen (7woord success rate van 79% vs. 62% zonder AI).
- De Gids: Bij het plaatsen van schroeven in de wervelkolom fungeert AI als een GPS, waardoor het aantal schroeven dat op de verkeerde plek wordt geplaatst afneemt van 9% naar 4%.

2. De Haperingen (De Fouten)

Hier is de crux: 44% van de onderzochte studies stelde vast dat de AI fouten maakte. Dit waren niet zomaar kleine rekenfoutjes; het waren reële fouten in de praktijk die mensen schade toebrachten. Het artikel vergelijkt deze fouten met een auto die perfect rijdt op een zonnige snelweg, maar crasht wanneer het regent of een kuil tegenkomt.

De AI faalt het vaakst wanneer het wordt geconfronteerd met iets dat het niet eerder heeft gezien in zijn "training school".

De "Blinde Vlek" voor Kinderen: Bij pediatrische epilepsie miste de AI 22% van de hersenlaesies bij kinderen (terwijl mensen slechts 8% misten). Hierdoor moesten drie kinderen een jaar langer wachten op een noodzakelijke operatie omdat de AI de artsen vertelde dat hun scans er "normaal" uitzagen.
Het "Bias"-probleid (Vooringenomenheid):
- Ras: Een AI die werd gebruikt voor de diagnose van de ziekte van Parkinson werkte uitstekend voor witte patiënten, maar faalde volledig voor zwarte patiënten (de specificiteit daalde in sommige gevallen naar nul).
- Etniciteit: Een depressiemodel dat getraind was op Europese patiënten, faalde bij testen op Zuid-Aziatische patiënten. Het markeerde onterecht 14% van de laag-risico Zuid-Aziatische patiënten als hoog-risico, wat leidde tot 7 mensen die onnodige antidepressiva kregen voorgeschreven die hen ziek maakten.
De "Hardware"-verwarring: Als een AI is getraind op oude MRI-machines (1.5T) en vervolgens wordt gebruikt op een nieuwe, sterkere machine (3T), kan de nauwkeurigheid bijna naar nul dalen. Het is alsof je iemand leert om een sedan te besturen en dan verwacht dat hij een vrachtwagen bestuurt zonder les.
De "Bot"-fout: Bij wervelkoligechirurgie had de AI moeite met patiënten met zwakke, broze botten (osteoporose). Het identificeerde het pad voor schroeven in 9% van deze gevallen onjuist, wat leidte tot twee patiënten die een tweede, revisie-operatie nodig hadden om zenuwschade te herstellen.
De "Leeftijds"-kloof: Een hulpmiddel voor het voorspellen van zelfmoord werkte goed voor volwassenen, maar faalde rampzalig bij tieners, waarbij veel meisjes onterecht werden gemarkeerd voor crisisinterventie die niet nodig was.

3. Waarom gebeurt dit?

Het artikel legt uit dat deze fouten gebeuren omdat de AI wordt getraind op nauwe, "schone" data.

De "Klaslokaal"-analogie: Stel je een student voor die alleen voor een toets studeert met vragen uit één specifiek tekstboek. Die student zal die toets uitstekend maken. Maar als je hem een vraag geef uit een ander boek, of een vraag over een onderwerp dat het tekstboek oversloeg (zoals zeldzame ziekten of specifieke etnische groepen), zal hij falen.
De AI-modellen werden voornamelijk getraind op data van specifieke ziekenhuizen, specifieke scanners en specifieke populaties. Ze hebben niet geleerd hoe ze moeten omgaan met de rommelige, diverse realiteit van de echte wereld.

4. Het Oordeel en Aanbevelingen

Het artikel concludeert dat AI een krachtig hulpmiddel is, maar we kunnen het niet blind vertrouwen. De voordelen zijn echt, maar de risico's zijn eveneens echt en gedocumenteerd.

De "Human-in-the-Loop"-regel:
Het artikel betoogt dat AI een assistent moet zijn, niet de baas.

Voor Artsen: Je moet precies weten waar je AI zwak is. Als je een kind met epilepsie behandelt, een Zuid-Aziatische patiënt met depressie, of een oudere patiënt met zwakke botten, moet je het werk van de AI dubbel controleren.
Voor Onderzoekers: Stop niet alleen met het rapporteren van de "overwinningen". Je moet ook de "verliezen" en de fouten publiceren, vooral voor verschillende groepen mensen.
Voor Toezichthouders: Voordat deze tools worden goedgekeurd, moeten ze worden getest op diverse groepen, niet alleen op de "gemiddelde" patiënt.

Kortom: AI is een briljante, snelle assistent die levens kan redden door diagnoses te versnellen en operaties te begeleiden. Maar als we het niet leren om om te gaan met de "edge cases" (kinderen, verschillende rassen, zeldzame aandoeningen) en als we niet een menselijke arts laten waken over zijn rug, kan het gevaarlijke fouten maken die zorg vertragen of onnodige schade veroorzaken.

Technische Samenvatting: Voordelen van AI en Fouten in Machine Learning binnen de Neurologie, Psychiatrie en Neurochirurgie

Probleemstelling

Hoewel Kunstmatige Intelligentie (AI) en Machine Learning (ML) transformatieve potentie bieden voor de analyse van complexe neurologische, psychiatrische en neurochirurgische data, wordt de klinische inzet ervan gehinderd door een gebrek aan een diepgaand begrip van systeemfouten. De huidige literatuur benadrukt vaak prestatie-indicatoren (bijv. nauwkeurigheid, AUC), terwijl specifieke fouttypen, biases en de resulterende klinische schade ondergerapporteerd worden. Deze kloof creëert een risico op misdiagnose, vertraagde behandeling, onnodige interventies en patiëntenletsel, met name wanneer modellen te maken krijgen met ondervertegenwoordigde populaties, randgevallen (edge cases) of out-of-distribution data. Het kernprobleem dat wordt geadresseerd, is de noodzaak om zowel de bewezen voordelen als de gedocumenteerde tekortkomingen van AI over deze drie specialismen systematisch te catalogiseren om een veiligere klinische integratie te waarborgen.

Methodologie

Deze studie is een Systematisch Overzicht uitgevoerd door Saif M. Hassan (University of Hillah).

Databronnen: PubMed, Scopus, Web of Science en IEEE Xplore.
Zoekperiode: Januari 2018 tot mei 2026 (zoekopdracht uitgevoerd op 1 juni 2026).
Zoekstrategie: Gecombineerde termen voor specialismen (neurologie, psychiatrie, neurochirurgie, specifieke aandoeningen zoals epilepsie, schizofrenie, beroerte) met AI/ML-termen en foutgerelateerde termen (bias, vals negatief, out-of-distribution, kalibratie).
Inclusiecriteria: Originele studies, systematische reviews of meta-analyses in het Engels die:
- AI/ML gebruikten voor neurologische, psychiatrische of neurochirurgische ziekten.
- De prestaties van AI vergeleken met medische experts, traditionele regels of gouden standaarden.
- Kwantitatieve voordelen (nauwkeurigheid, tijdwinst) of nadelen (subgroepvariaties, foutpercentages, klinische schade) rapporteerden.
Exclusiecriteria: Redacties, casusrapportages, dier-/fantoomstudies, uitsluitend gesimuleerde beelden en niet-Engelse artikelen.
Datasynthese: Twee reviewers extraheerden onafhankelijk gegevens over ontwerp, steekproefomvang, AI-architectuur, taak, comparator en foutmetrieken. Studies werden gecategoriseerd in Neurologie, Psychiatrie en Neurochirurgie. Gepoolde metrieken werden berekend waar de heterogeniteit laag was ( $I^2 < 50\%$ ).

Belangrijkste Bijdragen en Resultaten

Het overzicht omvatte 79 studies (32 Neurologie, 28 Psychiatrie, 19 Neurochirurgie). Een cruciale bevinding is dat 44% van de geïncludeerde studies specifieke fouten of beperkingen rapporteerde, wat het narratief van uniforme AI-succes uitdaagt.

1. Neurologie

Voordelen:
- Beroerte (Stroke): AI verkortte de door-naar-trombectomie tijd met 33% en bereikte een sensitiviteit van 0,94 voor grote vaatocclusie (tegenover 0,85 voor radiologen).
- Epilepsie: AI detecteerde interictale epileptiforme ontladingen met 91% sensitiviteit, wat overeenkomt met epileptologen, maar verminderde de analyse-tijd met 70%.
- Multiple Sclerose (MS): Laesiesegmentatie bereikte een Dice-coëfficiënt van 0,86 met een reductie in verwerkingstijd van 90%.
- Parkinson: De interpretatie van DaTscan bereikte een nauwkeurigheid van 94%.
Fouten & Schade:
- Pediatrische Epilepsie: AI miste 22% van de focale corticale dysplasie-laesies (tegenover 8% voor experts), wat in drie gedocumenteerde gevallen leidde tot vertraagde chirurgie.
- Scanner-generalisatie: Modellen getraind op 1.5T MRI faalden op 3T scanners, waarbij de Dice-scores daalden van 0,85 naar 0,67.
- Racial Bias: Parkinson's DaTscan-modellen vertoonden een specificiteit van 0,92 voor witte donoren, maar een significant lagere prestatie voor zwarte patiënten.
- Artefact-interferentie: Vaguszenuwstimulatoren veroorzaakden een vals-positief percentage van 19% bij de detectie van aanvallen.

2. Psychiatrie

Voordelen:
- Schizofrenie: AI-classificatie van eerste psychose met behulp van fMRI bereikte een AUC van 0,89, wat beter presteerde dan klinische interviews (0,76).
- Depressie: AI voorspelde het niet reageren op antidepressiva (AUC 0,85) beter dan klinische voorspelling (0,68).
- Suïciderisico: Voorspelling op basis van gezondheidszorggegevens bereikte een AUC van 0,89, waarmee het medische beoordeling (0,72) overtrof.
Fouten & Schade:
- Populatieverschuiving: Een depressiemodel getraind op Europese afkomst zag de AUC dalen van 0,88 naar 0,69 bij toepassing op een Zuid-Aziatische cohort, wat leidde tot het feit dat 14% van de laag-risicopatiënten als hoog-risico werd gemarkeerd. Dit resulteerde in zeven patiënten die onnodige antidepressiva ontvingen met bijwerkingen (misselijkheid, sufheid, hyponatriëmie).
- Vendor-generalisatie: Schizofreniemodellen getraind op één MRI-fabrikant daalden in nauwkeurigheid van 0,89 naar 0,71 bij een andere fabrikant; 12% van de gezonde controles werd verkeerd geclassificeerd wanneer bewegingsartefacten aanwezig waren.
- Leeftijdsbias: Modellen voor suïcievoorspelling presteerden significant slechter bij adolescenten (AUC 0,77) vergeleken met volwassenen (0,91), met een vals alarmpercentage van 23% bij adolescente meisjes.

3. Neurochirurgie

Voordelen:
- Tumorresectie: Intraoperatieve AI-begeleiding verhoogde de ratio van totale tumorverwijdering (gross total resection) van 62% naar 79%.
- Wervelkolomchirurgie: AI-gestuurde plaatsing van pedikelbouten verminderde de foutieve plaatsingsratio van 9% naar 4%.
- Deep Brain Stimulation (DBS): Targetfouten werden verminderd van 2,1 mm naar 1,2 mm, wat correleert met verbeterde motorische resultaten.
Fouten & Schade:
- Osteoporose: Bij patiënten met osteoporotische wervels (T-score < -2,5) identificeerde AI in 9% van de gevallen onjuist de boutpaden (tegenover 2% bij normaal bot), wat in twee gevallen leidde tot revisiechirurgie.
- Tumormarges: Intraoperatieve AI had een vals-negatief percentage van 11% voor marges van laaggradige gliomen, wat resulteerde in residu van de tumor en vroege recidive die een tweede operatie vereiste.
- Interferentie door eerdere chirurgie: DBS-targetmodellen faalden bij patiënten met eerdere stereotactische operaties, waarbij de gemiddelde fouten toenamen naar 2,8 mm.
- Obesitas: Complicatievoorspellingsmodellen presteerden ondermaats voor patiënten met een BMI > 35 (AUC 0,68 vs. 0,84 voor normaal BMI).

Betekenis en Claims

Het artikel stelt dat hoewel AI "reële voordelen" biedt in snelheid, nauwkeurigheid en chirurgische precisie, deze voordelen momenteel worden gecompenseerd door significante, niet-willekeurige fouten die disproportioneel bepaalde subgroepen treffen (kinderen, raciale minderheden, patiënten met comorbiditeiten zoals osteoporose of obesitas).

Kernclaims:

Frequentie van Fouten: Fouten zijn geen zeldzame anomalieën, maar komen voor in bijna de helft van de onderzochte studies, vaak manifesterend als "edge case" falen of demografische biases.
Klinische Gevolgen: Dit zijn geen theoretische fouten; het overzicht documenteert specifieke gevallen van vertraagde chirurgie, onnodige farmacologische interventies en herhaalde operaties veroorzaakt door AI-fouten.
Oorzaken: Falen komt voort uit training op smalle, homogene datasets, een gebrek aan subgroepanalyse in de rapportage en het niet rekening houden met out-of-distribution data (bijv. verschillende MRI-scanners, zeldzame pathologieën).
Aanbevelingen voor Veiligheid: Het artikel betoogt dat AI alleen veilig geïntegreerd kan worden als:
- Externe Validatie wordt uitgevoerd over diverse demografieën en apparatuur.
- Real-time Foutmonitoring en onzekerheidskwantificering worden geïmplementeerd.
- Human-in-the-loop toezicht behouden blijft voor beslissingen met een hoge inzet.
- Onderzoekers en tijdschriften de plicht hebben om fouten en subgroepprestaties met dezelfde strengheid te rapporteren als succesmetrieken.

Het overzicht concludeert dat de voordelen van AI alleen zullen opwegen tegen de risico's als het vakgebied evolueert van "alleen-succes"-rapportage naar een cultuur van rigoureuze fouttracking, eerlijkheidsaudits en continu menselijk toezicht.