woman, engineer, tech, electronics, wires, technology, lab, science, tech, technology, technology, technology, technology, technology, science
AI

A.I en het begin van nieuw onderzoek

Door Rinske

In januari ben ik afgestudeerd. In de zomer begon er een kriebel. Die kriebel wilde meer dan werk. Ik miste de diepgang, de theorie en vooral ‘iets nieuws leren.’ Natuurlijk leerde ik in het werk als algemeen verpleegkundige in een ziekenhuis al elke dag superveel maar ik had behoefte aan iets minder vluchtigs; iets meer diepgang. Eerst pakte ik mijn studieboeken en toen ik die uit had zocht ik online naar nieuwe ontwikkelingen. Eerst zocht ik een beetje in het wilde weg naar ‘ontwikkelingen verpleegkunde’, ’toekomst verpleegkunde’, uitdagingen verpleegkunde’, en zo door. Dit resulteerde echter in avonden dezelfde informatie tegenkomen, en dat wat ik vond bleef aan de oppervlakte. Vervolgens probeerde ik de verdieping te zoeken door op PubMed en vergelijkbare websites naar nieuwe studies en publicaties te zoeken. Dat bleek al snel iets te veel diepgang te hebben; heavy stuff. En weer, zonder focus. Dat moest anders dacht ik. Ik besloot om thematisch te werken; dingen uitzoeken die ik interessant vind. Na een paar dagen kwam ik hierop uit:

  • Health Inequity (denk aan etniciteit, kleur, gender maar ook aan ongelijkheid in zorg door sociaal-economische factoren, klimaat en systeemfouten).
  • Oncologie (nieuwe studies, ontwikkelingen en toepassingen) –> Dit onderwerp moet nog wat ingekaderd worden, want ‘oncologie’ is natuurlijk heel breed.
  • Kinderverpleegkunde / neonatologie en moeder-en-kind zorg (zorg gericht en toegepast op specifieke doelgroep 0-18, afgestemd op ontwikkeling en het hele systeem/gezin).
  • A.I. en machine learning (het inzetten van AI voor verbetering an de zorg, de uitdaging om bias by data en bias by design te voorkomen en om door AI geen health inequity te veroorzaken. Interessante combinatie met het eerste thema)

Het leek me goed om niet direct op een bepaalde doelgroep op ziektebeelden te beginnen maar om eerst de gezondheidszorg als geheel, of als systeem te bekijken. Te beginnen met het eerste thema. Een avond gevuld met zoektermen later had k een brij aan relevante links, studies, organisaties en beleidsstukken. Dit zou ik anders moeten organiseren want intuïtief klikken leidt zelden tot wetenschappelijk onderbouwde resultaten.

Tijd voor een andere aanpak: AI

Ik logde in bij Notebook, deelde het bestand waarin ik linkjes en andere informatie had opgeslagen en gaf de prompt: “Notebook, sorteer dit bestand op betrouwbaarheid van bron en relevantie voor het onderwerp ‘health inequity.” Ik kreeg een mooie lijst die, constateerde ik al snel, inderdaad betrouwbaar en relevant was. Volgende prompt was om per bron een samenvatting te maken en een mindmap van health inequity. Dat had ik geweten… De samenvatting was indrukwekkend, de mind map idem.

Hier kan ik wel wat mee. Om te beginnen beslissen waar ik me op wilde richten. Ik besloot eerst een algemene schets te maken van het issue health inequity. Daarna zal ik ik de diepte in kunnen gaan door te kijken op micro-, meso- en macroniveau (bedankt Saxion, voor het erin stampen van deze invalshoeken!): naar systeemfactoren, inequity in mijn eigen dagelijkse praktijk (hoe werkt gelijkheid en ongelijkheid in het ziekenhuis? Heeft iedereen dezelfde toegang? Zijn er verschillen op basis van etniciteit, gender, seksuele oriëntatie, opleiding, etc.).

Ik prompte Notebook: “maak een samenvatting van alles wat je nu hebt. Gebruik alleen de meest betrouwbare bronnen en studies. Noteer alle bronnen die je gebruikt. Focus vooral op global issues en vraagstukken op systeemniveau. gebruik voorbeelden op microniveau en op macroniveau.” Elk stukje tekst die Notebook produceerde was voorzien van minimaal 1 maar meestal 3 of meer, relevante bronnen. Door daarop te klikken werd een samenvatting van die bron geopend met de mogelijkheid om door te klikken naar de originele bron. Zo kon ik per alinea, zelfs per zin, de betrouwbaarheid onderzoeken en de bron zelf bestuderen. Een mooi voorbeeld van ’toetsbare AI’.

Van de informatie die ik kreeg heb ik vervolgens een (naar ik hoop) leesbaar artikel geschreven.

En nu?

Dit was een mooie eerste stap in mijn sideproject naar ongelijkheid in gezondheidszorg. Nu ga ik verder met in- en uitzoomen op het onderwerp. Dat zal ongetwijfeld weer een reeks van artikelen opleveren. Ondanks dat ik niet pretendeer wetenschappelijke artikelen te schrijven wil ik wel zo transparant mogelijk zijn in mijn zoektocht en het gebruik van bronnen. Dat zal ik hier op deze pagina delen.

Mocht je aanvullingen, suggesties of verbeteringen hebben in zowel inhoud als methodiek, laat het me weten! Ik leer graag (mocht je dat nog niet door hebben).