Je biodata begrijpen is zo makkelijk nog niet. Je ring meet bijvoorbeeld in je zweet de concentratie van het stresshormoon cortisol. Maar hoe weet je of die waarde binnen de grenzen van ‘gezond’ valt? Bovendien hebben zaken als temperatuur, luchtvochtigheid en de hoeveelheid zweet invloed op die concentratie. Allemaal zaken die sterk variëren bij meten in zweet. Je zou de gemeten cortisolwaarde kunnen vergelijken met bekende waarden in het bloed. In ons vorige artikel legde Filipe Cardoso van de Technische Universiteit Delft die methode uit. Maar in de praktijk zitten hier nog een hoop haken en ogen aan.

Daarom werken wetenschappers ook aan een andere, alternatieve correctiemethode. Deze methode heeft data nodig. Heel veel data. Die moeten uitgebreid worden doorgespit om patronen te vinden. Misschien is dat teveel gevraagd voor een gewone computer. Maar wellicht kan AI hier een uitkomst bieden?

Digitale tweeling

Temperatuur, zuurtegraad, luchtvochtigheid en andere zaken die invloed hebben op de concentratie die je wil meten, heten parameters. Ze hangen allemaal met elkaar samen. “Als je nu verschillende parameters tegelijkertijd meet, kun je groeperingen maken”, zegt Cardoso. “Sommige mensen gebruiken machine learning daarvoor. Je stelt jezelf – of eigenlijk een AI – de vraag: welke cortisolwaarden verwachten we te meten voor elke specifieke combinatie van parameters?” Bij een nieuwe meting meet je dan niet alleen de cortisolwaarde, maar ook de andere parameters. Die plaatsen je meting binnen een bepaalde groep. Als de gemeten cortisolwaarde vervolgens hoger is dan de concentratie die je binnen die specifieke groep verwacht, geeft je biosensor een melding: je hebt teveel stress!

Zo’n biosensor met AI is een leuke toevoeging aan je levensstijl. Maar op de intensive care merk je pas echt dat continue biosensoren niet alleen maar handige hebbedingen zijn, maar het verschil kunnen betekenen tussen leven en dood. Menno Prins van de Technische Universiteit Eindhoven vertelt: “Zodra een patiënt binnen wordt gereden op de intensive care, willen artsen weten hoe het met de patiënt gaat. Ze willen een gedetailleerde beschrijving van de patiënt, gebaseerd op meerdere actuele meetparameters.” Maar het is lastig om concrete conclusies te trekken uit al die nummertjes op een scherm. 

“Vooral bij zoiets als het immuunsysteem, één van de meest complexe systemen in de mens. We begrijpen daar nog maar weinig van. Maar als er een probleem is met het immuunsysteem van de patiënt, moet een arts toch knopen doorhakken. Het liefst wil je een heel goede modelbeschrijving van de patiënt maken. Dat noemen we een digital twin. Maar hoe maak je allereerst een beschrijving van dat extreem complexe immuunsysteem, en hoe koppel je dat dan vervolgens aan acties die je moet ondernemen?” 

Daarvoor zijn heel veel meetgegevens nodig. Die moeten op een complexe manier worden verwerkt. Prins aarzelt even: “AI daarvoor gebruiken is een goed idee. Maar we moeten daar wel heel voorzichtig mee zijn…”

AI achter de schermen

“Waarom is Prins terughoudend? Dataverwerking kent valkuilen. Het liefst wil je dus de interpretatie van de AI volgen en controleren, bij alle tussenstappen. Niet een black box, maar een zogeheten white box AI. Maar als we de AI vragen om iets te interpreteren waar we zelf nog weinig van begrijpen – zoals het immuunsysteem – is het lastig te controleren of alles wat de AI zegt wel klopt.”

Daar komt nog iets bij. Genetische aanleg, medicijngebruik, voeding, leeftijd, sekse, activiteitsniveau, onderliggende ziektes… Het kan allemaal invloed hebben. Als een bepaalde groep mensen, met een bepaalde combinatie van deze eigenschappen, niet genoeg aanwezig is in de data waarmee de AI getraind is, zal deze een bias ontwikkelen, een blinde vlek. Daardoor kunnen de beslissingen van de AI onjuist zijn. Het kan dan zelfs voorkomen dat een concentratie in de patiënt levensgevaarlijk aan het oplopen is; tenminste, levensgevaarlijk voor die patiëntengroep. Maar de AI slaat geen alarm. Voor zover de AI weet, bevinden de waarden zich nog binnen het veilige bereik.

Lezers van dit artikel die bekend zijn met AI zullen ook meteen wijzen op een ander netelig vraagstuk: privacy. Want wat gebeurt er met de biomedische data die worden verzameld? Prins: “We verzamelen al veel medische data, zoals ECG, MRI, röntgenfoto’s, hartslag, bloeddruk, en het dossier waar de arts in schrijft. De vraag hoe je dat tegelijkertijd beschermt en toegankelijk maakt voor de juiste medische experts, is beslist belangrijk. Maar het is eigenlijk geen nieuwe vraag.” Veel landen hebben al een stevig verankerde privacywetgeving. Cardoso voegt toe: “Europa heeft het meest restrictieve beleid. Misschien hebben Europeanen dus niet veel te vrezen.” Maar Cardoso ziet wel iets anders dat mogelijk een probleem kan worden: steeds meer van onze data staat op de private servers van bedrijven.

Wat weet Amazon?

Cardoso gebaart naar zijn smartwatch. “Dit apparaatje stuurt mijn biodata door naar mijn telefoon. Maar mijn telefoon heeft zelf te weinig rekenkracht om het te interpreteren. Die stuurt het daarom door naar een server, waar de data ook wordt opgeslagen. Grote kans dat die server van Amazon is! Wij gebruiken Amazon om dingen te kopen of films te kijken, maar beseffen ons niet dat het bedrijf veel meer is. Het bedrijf verdient meer geld aan cloud computing dan aan de online winkel en het streamingsplatform.”

Ziekenhuizen gaan streng om met de data van hun patiënten en zullen die misschien niet snel naar Amazon sturen. Maar commerciële, draagbare biosensoren, bedoeld voor de gewone consument? Die volgen waarschijnlijk het voorbeeld van Cardoso’s smartwatch.

We hebben zelf in de hand hoe we hiermee omgaan. Prins vergelijkt het met een ander privacyvraagstuk: “Toen camera’s verschenen in de openbare ruimte, moesten we beslissen hoe we dat wilden reguleren. Een verbod op filmen op school of in de slaapkamer, bijvoorbeeld, zelfs door politie. Zo moet het ook gaan rondom het meten van chemische biodata: samen kiezen wat wel en niet mag.” Cardoso noemt al twee lastige keuzes: “Wie willen we verantwoordelijk maken voor de beveiliging van de data op de server: Amazon, of overheden? Bedenk je ook: servers onderhouden en beveiligen is duur. Overheden hebben niet altijd genoeg geld. Bedrijven wel.”

Dorst naar data

Wanneer we hierover nadenken, komt al snel een nog veel fundamentelere vraag op: is het eigenlijk wel goed om zoveel biodata te verzamelen en op te slaan? Het is gemakkelijk voor te stellen hoe iemand in de toekomst daarin te ver kan gaan. Met behulp van draagbare biosensoren kunnen we proberen het gezondste voedsel na te jagen, het perfecte sportregime, het meest optimale leven… Alles moet daarvoor wijken. De hele dag worden onze gedachten in beslag genomen door de biodata op onze schermen. En als er iets gebeurt waar we geen controle over hebben, raken we verward, of misschien zelfs in paniek.

Het liefst heb je eerst antwoord op al die vragen, voordat je begint aan het ontwerp van een nieuwe sensor. Of commerciële bedrijven het ook zo gaan doen, of vooral het grote geld zullen najagen, valt nog te bezien. Maar volgens Cardoso en Prins is het zeker dat we in de toekomst op grote schaal biodata verzamelen. Niet alleen in de wetenschap of het ziekenhuis, maar ook aan de pols of vinger van gewone consumenten. Het is nu zaak om goede regels te maken. Wie onze biodata mag gebruiken en waarvoor, daarover is het laatste woord nog niet gesproken.