Technische toelichting

               

Artificiële intelligentie en 

Distributed Ledger technologie

 

Eerst kort een beschrijving van de op te lossen problemen om betrouwbaar data te vinden en te delen vanuit verschillende genetwerkte systemen

Er bestaan meerdere ‘gestandaardiseerde’ formaten om data te transformeren naar andere systemen: bijvoorbeeld XML en JSON. 

Wanneer dat een vaste relatie en structuur is, kan er in de meeste gevallen een goede werking verkregen worden. De tekortkoming van deze systemen komen naar boven wanneer de structuur van en relatie tussen de data minder eenduidig is. Dit veroorzaakt extra programmeercode rond deze formaten en juist deze code maakt de uitwisseling minder breed bruikbaar wat het rendement van data delen danig doet dalen.

 

Specifiek binnen het door ons voorgestelde speerpunt, de gezondheidszorg, is het betrouwbaar datadelen een groot probleem. Hoewel er wereldwijd afspraken gemaakt worden over medische data en systemen om tot oplossingen te komen, leveren deze fundamentele problemen op.

 

Kort de problemen die we onderscheiden:

  1. Gebrek aan data indexatie en mutatiesignalering – Er bestaat geen eenvoudig mechanisme waarmee zowel PGO’s (en dus patiënten) als DVZA’s van het ontstaan van nieuwe gezondsheidsdata (c.q. mutaties ervan) worden verwittigd. Het verzamelen van deze informatie vraagt veel inspanning van de gebruiker en/of leverancier.
  2. Onderhoudbaarheid – het in stand houden van een systeem op basis van de huidige standaarden Fhir, SNOMED, Zibs, OAuth, Certificaten en OCSP vragen veel tijd. Daarenboven zijn ze onvoldoende: robuust, gebruiksvriendelijk en wendbaar, waardoor de bruikbaarheid van het stelsel wordt beperkt
  3. Omslachtig aansluitproces – vraagt nu veel tijd. Er wordt verwacht dat ontwikkelaars duizenden pagina’s toelichting doorlezen die daarenboven bol staat van inconsistenties (papier is verduldig!). En dit in een stadium van het stelsel waarbij de datasets nu nog beperkt zijn. Een IT-vriendelijk en technisch valide systematiek is hier essentieel.
  4. Teveel administratie – Opdat het stelsel enige vorm van kwaliteit zou kunnen garanderen, worden van de leveranciers allerlei administratieve verplichtingen gevraagd. Het is maar sterk de vraag of het verzamelen van deze gegevens effectief bijdraagt tot de verbetering van het stelsel, dan wel tot een extra belasting van de aangesloten partijen.
  5. Betere beveiliging – Ondanks alle ‘speciale maatregelen’, bieden de huidige beveiligingsmethoden als Digid, OAuth en certificaten te weinig bescherming van de data-inhoud en de privacy.
  6. Hoog kwaliteitsrisico stelsel – De goede werking van het stelsel is nu te afhankelijk van de goede werking en kwaliteit van de integratiecode die door de aangesloten zorgaanbieders en PGO’s wordt geschreven en onderhouden. Naast dat het veel tijd vraagt van deelnemers om het operationeel te houden, vergroot te kans op samenwerkingsproblemen wat negatief reflecteert op de kwaliteit van het stelsel.
  7. Hoe kennisdelen – Is een belangrijke succesfactor. Het huidig stelsel zet in op uitwisseling van data. Het delen van data en het leerproces dat daaruit voortvloeit vraagt meer dan uitwisseling alleen.  Het vraagt ook breed kunnen zoeken. De huidige uitwisselingsmechanismen, het beperkte aantal datasets met daaraan gekoppeld de complexiteit om ze te ondersteunen en het niveau van de gekozen standaarden, maakt dit niet realiseerbaar en al zeker als daarenboven de privacy dient te worden gevrijwaard.

 

Innovaties en -oplossingen

De belangrijke resultaten naar verbeterde producten, test/ prototype implementaties, testomgevingen, specificaties, patent, etc.

 

  1. Explainable-AI – Dit staat voor AI technieken die vertrekken van onweerlegbare en gekende kennis. Dit staat in contrast met de Unexplainable-AI van neurale netwerken, gezichtsherkenning, data mining en Deep-learning.
  2. een DLT (Distributed Ledger technologie) – Dit protocol is verantwoordelijk voor het verzorgen van de beveiliging. Het is vergelijkbaar met de doelstellingen van Blockchain maar gebruikt een andere opzet.

 

  1. We realiseren software in de vorm van wat wij een smart-data-driver noemen. Het is een middleware die wanneer ze aan digitale databronnen gekoppeld wordt, de data kan ontsluiten en vindbaar maakt.
  2. Met deze software kan data naar keuze uit de systemen gehaald worden. Het kan daarenboven op basis van een veelzijdig gescheiden authenticatie en autorisatie mechanisme, data veilig en conform de gewenste privacy delen.
  3. Met de AI maken we mogelijk dat de data met verschillende structuren en vanuit verschillende systemen, technisch verenigbaar wordt. Daarmee wordt de basis gevormd voor het delen van kennis.

 

Extra informatie over Explainable-AI:

https://dtai.cs.kuleuven.be/software/idp

http://idp.bdo.be/

https://www.cs.vu.nl/~heringa/

https://research.vu.nl/en/publications/a-research-agenda-for-hybrid-intelligence-augmenting-human-intell