Machine learning: hoe ‘prutsen aan data’ nuttig kan zijn

‘Machine learning is not for the faint-hearted’

Op basis van de ervaring van de eerste leergang, die dinsdag 2 juli met een drukbezochte bijeenkomst officieel werd afgerond, zal ik wat geleerde lessen delen.

Als eerste: machine learning is not for the faint-hearted. Het is een naïef en hardnekkig misverstand dat machine learning simpelweg een kwestie is van al je data aan de computer geven en afwachten tot alle onderliggende patronen in je data worden ontdekt.

Machine learning vereist veel doorzettingsvermogen in het steeds verder verfijnen van de manier waarop je je data voorbereidt en onderzoekt met een reeks verschillende soorten algoritmen. Het is daarom ook van belang om van te voren te bedenken wat goed genoeg gaat zijn, want een machine learning project is eigenlijk nooit af.

Begin daarom ook met een klein en afgebakend project, om ervaring op te doen, het overzichtelijk te houden en je te kunnen focussen op het jezelf eigen maken van de basisprincipes. Het optimaal voorbereiden van je data vereist niet alleen dataexpertise, maar juist ook diepgaande inhoudelijke kennis over het zorgproces.

Zorg daarom dat beide expertises vertegenwoordigd zijn in je projectteam. Verder loop je in je eerste project ongetwijfeld aan tegen problemen bij het snel toegang kunnen krijgen tot gedetailleerde data. Zorginstellingen die machine learning structureel willen toepassen om de zorg op basis van data verder te verbeteren, zullen moeten investeren in een datastructuur die dit ondersteunt.

Lekker prutsen en spelen met je data

Wat ik heel leuk vond om te merken, is dat deelnemers oprecht enthousiast waren over de mogelijkheden van machine learning.

Lekker prutsen en spelen met data wat nuttige informatie oplevert

– Reactie deelnemer leergang Machine Learning

Een andere deelneemster zei dat je je organisatie van het begin af aan moet meenemen in wat je wilt bereiken. Want je krijgt veel nieuwe informatie in handen, en dat stelt de organisatie voor nieuwe keuzes: ga je bijvoorbeeld eerder of anders ingrijpen bij patiënten? Dit werd bevestigd door Niels van Gorp van VGZ. Je kunt op basis van data bijvoorbeeld goed voorspellen wie problemen zal krijgen met het betalen van de premie, maar wat zijn de juiste keuzes omtrent vroegtijdig interveniëren voordat het uit de hand loopt?

En uiteindelijk het allerbelangrijkste: wat schiet de patiënt er mee op? Tijdens de bijeenkomst werd vanuit het patiëntperspectief de oproep gedaan om niet als een stel wetenschappers te gaan broeden op data, maar te overleggen met patiënten waar zij behoefte aan hebben. Hierbij speelt ook dat we veel energie moeten blijven steken in het goed uit kunnen leggen van bevindingen van machine learning algoritmen, zodat patiënt en behandelaar deze uitkomsten zo goed mogelijk op waarde kunnen schatten.

In september start de nieuwe opleiding, waarin ik hoop een nieuwe lichting studenten enthousiast én vaardig te maken op het terrein van machine learning, en zelf ook weer nieuwe kennis op te doen.

Meld je aan

Auteur

Stuur een bericht aan contactpersoon Joran Lokkerbol
of bel +31 (0)30 – 2959(383)