De eigenschappen van normale materialen, zoals stijfheid en flexibiliteit, worden bepaald door de moleculaire samenstelling van het materiaal. Maar de eigenschappen van metamaterialen worden bepaald door de geometrie van de structuur waaruit ze zijn opgebouwd. Onderzoekers ontwerpen deze structuren digitaal en laten ze vervolgens 3D-printen. De resulterende metamaterialen kunnen onnatuurlijke en extreme eigenschappen vertonen. Onderzoekers hebben bijvoorbeeld metamaterialen ontworpen die, ondanks dat ze solide zijn, zich gedragen als een vloeistof.
“Traditioneel gebruiken ontwerpers de materialen die ze tot hun beschikking hebben om een nieuw apparaat of een machine te ontwerpen. Het probleem daarbij is dat de beschikbare materiaaleigenschappen beperkt zijn. Sommige eigenschappen die we graag willen hebben, bestaan gewoon niet in de natuur. Onze aanpak is: vertel ons wat je als eigenschappen wilt hebben en wij ontwikkelen een geschikt materiaal met die eigenschappen. Wat je dan krijgt, is niet echt een materiaal, maar iets dat het midden houdt tussen een structuur en een materiaal, een metamateriaal.” Aan het woord is hoogleraar Amir Zadpoor van de afdeling Biomechanical Engineering.
Zo’n ontdekkingsproces van materialen vereist het oplossen van een zogenaamd omgekeerd probleem. Het probleem van het vinden van de geometrie die de gewenste eigenschappen oplevert. Deze inverse problemen zijn berucht vanwege hun moeilijkheid, en dat is waar AI om de hoek komt kijken. Onderzoekers van de TU Delft ontwikkelden deep learning-modellen die deze inverse problemen oplossen.
“Zelfs als inverse problemen in het verleden werden opgelost, waren ze beperkt. Dit kwam door de vereenvoudigende aanname dat de kleinschalige geometrie kan worden gemaakt van een oneindig aantal bouwstenen. Het probleem met die aanname is dat metamaterialen meestal gemaakt worden door 3D-printen. En echte 3D-printers hebben een beperkte resolutie. Daardoor is het aantal bouwstenen dat in een apparaat past, beperkt, zegt eerste auteur dr. Helda Pahlavani.
De AI-modellen van de TU Delft-onderzoekers slaan een nieuwe weg in door deze vereenvoudigende aannames te omzeilen. “We kunnen nu dus simpelweg vragen: hoeveel bouwstenen kun je met jouw productietechniek in het apparaat verwerken? Het model vindt vervolgens de geometrie die de gewenste eigenschappen geeft voor het aantal bouwstenen dat je daadwerkelijk kunt maken.”
Een groot praktisch probleem dat in eerder onderzoek onderbelicht bleef, was de duurzaamheid van metamaterialen. De meeste bestaande ontwerpen gaan kapot zodra ze een paar keer zijn gebruikt. “Tot nu toe ging het alleen om de eigenschappen die kunnen worden bereikt. Onze studie houdt rekening met duurzaamheid en selecteert de meest duurzame ontwerpen uit een grote pool van ontwerpkandidaten. Dit maakt onze ontwerpen echt praktisch en niet alleen theoretische avonturen”, zegt Zadpoor.
De mogelijkheden van metamaterialen lijken eindeloos. Maar het volledige potentieel is nog lang niet benut, zegt universitair docent Mohammad J. Mirzaali. Dit komt doordat het vinden van het optimale ontwerp van metamaterialen op dit moment nog grotendeels gebaseerd is op intuïtie. Dit gaat gepaard met vallen en opstaan en is daardoor arbeidsintensief is. Het gebruik van een omgekeerd ontwerpproces, waarbij de gewenste eigenschappen het uitgangspunt van het ontwerp vormen, is nog steeds zeldzaam binnen het metamateriaalveld. “Maar we denken dat de stap die we hebben gezet, revolutionair is voor metamaterialen. Het kan tot allerlei nieuwe toepassingen leiden.” De onderzoekers zien mogelijke toepassingen in orthopedische implantaten, chirurgische instrumenten, zachte robots, adaptieve spiegels en exo-skeletten.
Bron en beeld: TU Delft
Lees ook: Kabinet presenteert visie op generatieve AI
Geschoolde technici zijn schaars. Bedrijven moeten daarom vaak vertrouwen op onervaren personeel. Hierdoor is de kans op gebruikersfouten groter, waardoor er meer foutieve producten worden geproduceerd en dus ook meer materiaal en energie wordt verspild. Artificiële intelligentie kan dergelijke bedieningsfouten en fouten veroorzaakt door slijtageprocessen in een vroeg stadium herkennen en dus verminderen. Ook lasfouten kunnen worden verminderd. AI-systemen hebben echter veel data nodig. Ze moeten namelijk eerst worden getraind met de relevante data. Hier doet zich een ander probleem voor. Bedrijven die systemen van bijvoorbeeld een fabrikant gebruiken, willen deze data meestal niet zomaar overhandigen.
Lorch Schweißtechnik werd ook met dit probleem geconfronteerd. Het nam daarom Fraunhofer IPA in de arm. Hoe, vroegen ze, kunnen gebruikersfouten in lasprocessen betrouwbaar worden herkend via AI zonder dat klanten hun gevoelige lasgegevens hoeven te overhandigen? Het antwoord van Fraunhofer IPA: met de federaal leren of collaborative learning. Het is een techniek voor machine learning waarbij een algoritme wordt getraind via meerdere onafhankelijke sessies, elk met een eigen dataset. “Het bijzondere hieraan is dat we de artificiële intelligentie trainen met de data van de klant zonder dat de gegevens het betreffende bedrijf verlaten.” Dat zegt Can Kaymakci, een wetenschapper bij Fraunhofer IPA. De truc is dat elke klant zijn data gebruikt om zijn eigen AI-model te trainen. Het zijn niet de data die worden uitgewisseld, alleen de AI-modellen. Deze worden gecombineerd tot één enkel, beter geoptimaliseerd overkoepelend model.
Allereerst moesten de onderzoekers van Fraunhofer IPA een geschikt AI-model selecteren voor de detectie van energieafwijkingen. Ze moeten een model selecteren dat gebruikersfouten herkent op basis van voornamelijk gegevens over energieverbruik. Daartoe verzamelden ze data over het lasproces dat in het Lorch laboratorium moest worden geobserveerd. Ze verzamelden de data inclusief de opzettelijke opname van “gebruikersfouten”.
Ze voerden ongeveer 200 lastesten uit. Veel, maar niet genoeg om een artificiële intelligentie te trainen. “Daarom vermenigvuldigden we de gegevens, waardoor de oorspronkelijke 200 datasets 2.200 werden,” legt Kaymakci uit. Foto’s zijn het beste voorbeeld van hoe dit werkt. Je kunt ze draaien, spiegelen, omzetten naar zwart-wit, zoomen enzovoort. Op die manier kun je veel meer data genereren.
Het team onderzocht ook hoeveel metingen per seconde nodig zijn om gebruikersfouten betrouwbaar te herkennen. Het resultaat: minder meetpunten zijn genoeg dan verwacht. “Op deze manier kunnen we de benodigde opslagcapaciteit verminderen, de communicatie vereenvoudigen en minder gegevens verwerken, wat weer tijd, kosten en energie bespaart,” vat Kaymakci samen. De onderzoekers implementeerden het model dat ze creëerden op een lasstroombron van Lorch.
Wat zijn de voordelen van federatief leren of collaborative learning? De onderzoekers gebruikten een speciaal ontwikkelde simulatietool om deze vraag te beantwoorden. Ze analyseerden drie scenario’s. Ten eerste, een artificiële intelligentie die werd getraind met alle klantgegevens. Dit is een hypothetische aanname, omdat deze gegevens niet beschikbaar zijn voor de fabrikant van lasmachines. Ten tweede, de modellen die alleen werden getraind met de gegevens van één enkele klant. En ten derde federatief leren. Daarbij worden de modellen van de klanten samengevoegd.
“De resultaten spreken voor zich. Het herkenningspercentage van een model dat werd getraind met collaborative learning is 0,81. Dit resultaat is vergelijkbaar met dat van een systeem waarvoor alle klantgegevens beschikbaar waren voor training. Systemen die alleen zijn getraind met de gegevens van één enkele klant herkennen daarentegen slechts 0,45”, bevestigt Kaymakci. Voor de fabrikant van lasapparatuur Lorch betekent dit dat het zijn klanten in de toekomst toegevoegde waarde kan bieden via het AI-systeem zonder dat de gegevens centraal bij Lorch hoeven te worden opgeslagen. Klanten zullen op hun beurt profiteren van het feit dat ze fouten sneller kunnen herkennen en kunnen profiteren van de “kennis” van alle klanten.
Natuurlijk kan deze vorm van artificiële intelligentie voor meer dan alleen het herkennen van lasfouten tijdens lasprocessen worden toegepast. Het systeem is eerder geschikt voor elk vraagstuk waarbij artificiële intelligentie toegevoegde waarde biedt, maar de gegevens die hiervoor nodig zijn gevoelig zijn.
Openingsfoto: Het laboratorium van Lorch verzamelt data van het lasproces om artificiële intelligentie te trainen zodat lasfouten automatisch en snel kunnen worden herkend. (foto: Lorch)
Lees ook: Duurzamer poedercoaten met artificiële intelligentie
De technologie, dat de naam Flightpath kreeg, optimaliseert de instellingen van de apparatuur om defecten en overspray te verminderen en het poederverbruik te verbeteren. Daardoor kunnen bedrijven hun kosten verlagen. Nabewerking wordt vermeden en tijd en energie worden bespaard. Kortom, bedrijven kunnen duurzamer poedercoaten.
De op AI gebaseerde software is al twee jaar in ontwikkeling. De software stelt gebruikers in staat apparaat instellingen zoals pistoolbewegingen te optimaliseren. Ze kunnen hiermee een meer uniforme, consistente dekking met minder fouten te bereiken. Dit is mogelijk dankzij de AI-aangedreven aanbevelingen. De software vereist geen complexe integratie en past voortdurend de aanbevolen parameters aan als de omstandigheden veranderen.
Onlangs ondertekenden AkzoNobel en CoatingAI een exclusiviteitsovereenkomst. Ze zullen hun krachten bundelen nadat ze elkaar voor het eerst ontmoetten tijdens AkzoNobel’s Paint the Future start-up challenge in 2021.
“We zijn verheugd om samen te werken met coatingAI en onze technische servicecapaciteiten te versterken.” Dat zegt Remco Maassen van den Brink, Marketing Director van AkzoNobel’s Powder Coatings-divisie. “We zoeken proactief naar manieren om klanten te ondersteunen bij het verduurzamen van hun activiteiten. Dit zal ons vermogen om hen te helpen betere resultaten te behalen aanzienlijk verbeteren. Tegelijkertijd kunnen we bijdragen aan onze eigen ambitie om de CO2-uitstoot in de waardeketen tegen 2030 te halveren.”
Marlon Boldrini, CEO van coatingAI: “De samenwerking met AkzoNobel heeft vanaf dag één geholpen onze visie te versnellen. Onze oplossing is gebouwd op de kracht van kunstmatige intelligentie en de technische expertise van AkzoNobel. Het zal niet alleen de efficiëntie voor hun klanten verhogen. Het zal ook een grotere duurzaamheid binnen de poedercoatingsindustrie stimuleren.”
“Samenwerken met een startup als coatingAI – die grenzen verlegt om de coatingindustrie te transformeren – betekent dat we onze eigen poederrevolutie kunnen versnellen en diensten kunnen leveren als geen ander”, voegt Maassen van den Brink toe. “Het is het nieuwste voorbeeld van hoe we voortdurend innoveren en op zoek zijn naar nieuwe manieren om klanten de meest vooruitstrevende en duurzame oplossingen te bieden.”
Eerder dit jaar was de Powder Coatings-divisie van het bedrijf de eerste in de branche die een openlijk toegankelijke online energiebesparingscalculator lanceerde voor alle gebruikers van poedercoatings. Het helpt klanten beter te begrijpen hoe zelfs kleine veranderingen in het coatingproces een grote impact kunnen hebben op het gebied van energiezuiniger worden.
Beeld: Kunstmatige intelligentie (bron foto: Pixabay / Seanbatty)
Ook interessant: Storingen voorspellen en voorkomen met kunstmatige intelligentie
De Noorse rederij Torghatten AS zal later dit jaar de eerste commerciële autonome en elektrische passagiersveerboot ter wereld lanceren. Deze gaat regelmatige vaarten maken tussen eilanden in het centrum van Stockholm, Zweden.
De autonome technologie in het hart van de Zeam-veerboot wordt al een aantal jaar ontwikkeld door de Noorse Universiteit voor Wetenschap en Technologie in Trondheim, dat vorig jaar met succes een proefveerboot lanceerde als onderdeel van haar Autoferry project.
De installatie wordt nu commercieel beschikbaar gesteld door spin-out bedrijf Zeabuz, waarvan Torghatten AS mede-eigenaar is. Het bestaat uit een radar en LiDAR om andere objecten op het water te volgen en te vermijden en infrarood- en visioncamera’s om de AI-gebaseerde “digitale kapitein” te helpen begrijpen wat er rondom de veerboot gebeurt. Daarnaast zijn er ultrasone sensoren om automatische aanmeermanoeuvres mogelijk te maken en GPS voor plaatsbepaling.
De autonome catamaranveerboot wordt gebouwd door Brødrene Aa en zal 12 x 5 meter zijn. Dat is voldoende ruimte om 25 passagiers (plus een half dozijn fietsen) te vervoeren tussen de eilanden Kungsholmen en Södermalm in Stockholm. Een accubank van 188 kWh, geleverd door ZEM, wordt opgeladen door een zonnepaneel van 7,7 kW bovenop en de aandrijving wordt geregeld door een elektromotor.
Verwacht wordt dat de Zeam-veerboot 15 uur per dag elke 15 minuten zal varen. Torghatten AS hoopt dat Stockholm de eerste van vele steden wordt die het initiatief overneemt.
Veel onderzoeksgroepen boeken aanzienlijke vooruitgang bij het gebruik van kunstmatige intelligentie (AI) en machine learning. Ze ontwerpen hiermee haalbare moleculaire structuren met de gewenste eigenschappen. Maar de vooruitgang bij het in praktijk brengen van de ontwerpconcepten verloopt traag. De grootste belemmering zijn de technische moeilijkheden bij het vinden van chemische reacties die de ontworpen moleculen kunnen maken. Er moet daarbij rekening worden gehouden met efficiëntie, kosten en praktische uitvoerbaarheid voor gebruik in de echte wereld.
“Ons nieuwe machine learning algoritme en het bijbehorende softwaresysteem kunnen moleculen ontwerpen met alle gewenste eigenschappen. Daarbovenop stellen ze synthetische routes voor om ze te maken uit een uitgebreide lijst van commercieel beschikbare verbindingen.” Dat zegt statistisch wiskundige Ryo Yoshida, leider van de onderzoeksgroep.
Het proces maakt gebruik van een benadering die Bayesian inference wordt genoemd. Het werkt met een enorme reeks gegevens over verschillende opties voor uitgangsmaterialen en reactieroutes. De mogelijke basis: allemaal combinaties van de miljoenen verbindingen die gemakkelijk verkrijgbaar zijn. Het computeralgoritme beoordeelt de enorme reeks haalbare reacties en reactienetwerken. Dit doet het om een synthetische route te ontdekken naar een verbinding met de eigenschappen waarnaar is gestreefd. Deskundige chemici kunnen dan de resultaten bekijken om te testen en te verfijnen wat de AI voorstelt. De AI doet de voorstellen terwijl mensen beslissen welke oplossing de beste is.
“In een case study is gekeken naar het ontwerpen van moleculen gelijkend op moleculen die in geneesmiddelen worden gebruikt. De methode toonde overweldigende prestaties”, zegt Yoshida. Ook werden routes ontworpen naar industrieel bruikbare smeermiddelmoleculen.
Yoshida: “We hopen dat ons werk het proces van datagestuurde ontdekking van een breed scala aan nieuwe materialen zal versnellen.” Ter ondersteuning van dit doel stelde het team de software die hun machine learning implementeert beschikbaar aan alle onderzoekers op de website GitHub.
Het huidige succes richtte zich alleen op het ontwerp van kleine moleculen. Het team is nu van plan te onderzoeken of ze de procedure kunnen aanpassen om polymeren te ontwerpen. Veel van de belangrijkste industriële en biologische verbindingen zijn polymeren. Maar het is moeilijk gebleken om nieuwe versies te maken die door machine learning zijn voorgesteld. Dit komt vanwege uitdagingen bij het vinden van reacties om de ontwerpen op te bouwen. Daar kan deze nieuwe technologie verandering in brengen.
Afbeelding van Gerd Altmann via Pixabay
Lees ook: AI en federated learning kan detectie van hersentumoren met 33% verbeteren
AI-modellen kunnen worden ingezet voor het maken van gezondheidsvoorspellingen van vliegtuigsystemen. Dit maakt het mogelijk het onderhoudsproces op deze voorspellingen af te stemmen en maakt onderhoud zo efficiënter.
Dit blijkt uit een groot onderzoek van meerdere universiteiten en industriën onder de naam ReMAP. TU Delft is projectleider. De Nederlandse universiteit noemt het onderzoek en de ontwikkelde AI-modellen een belangrijke stap in de modernisering van vliegtuigonderhoud.
ReMAP is een door Horizon 2020 gefinancierd project. Het project is op 1 juni 2018 gestart en loopt eind deze maand ten einde. ReMAP moet bijdragen aan de leidende positie van Europa op het gebied van luchtvaart door de ontwikkeling van een open source-oplossing voor vliegtuigonderhoud. Dit systeem wordt ook wel het Integrated Fleet Health Management (IFHM) systeem genoemd. Het systeem vervangt onderhoud op vaste periodieke momenten met een adaptief onderhoudsmodel. Bij dit model wordt onderhoud uitgevoerd op het moment dat dit daadwerkelijk nodig is.
De volgende partijen zijn bij ReMAP betrokken:
Projectleider Bruno Santos, Assistant Professor Airline Operations, zegt in een nieuwsbericht: “We zijn erin geslaagd het complete onderhoudsproces van verschillende vliegtuigvloten te modelleren. Hiermee wordt het in de toekomst mogelijk om het huidige vliegtuigonderhoud op basis van vaste tijdsintervallen, en onderhoud als gevolg van defecten, te transformeren naar continue gezondheidsmonitoring van systemen. Systemen worden dan vervangen precies wanneer dat nodig is, wat verspilling tegengaat. Daarnaast heeft het team het complexe proces van onderhoudsplanning gemodelleerd, iets wat momenteel grotendeels met de hand gebeurt. Hierin wordt ook rekening gehouden met veranderingen en verstoringen, zodat het de praktijk beter benadert dan de bestaande statische modellen. Onderhoud kan hierdoor verder vooruit worden gepland.”
De potentiële besparing op vliegtuigonderhoud is groot. Alleen al in Europa kan de besparing naar verwachting oplopen tot 700 miljoen euro op jaarbasis, schat de adviesraad voor Luchtvaartonderzoek in Europa (ACARE).
Paul Chün, Vice President Technology Hub KLM Engineering & Maintenance: “We kunnen met dit concept overwegen om de huidige handmatige onderhoudsplanning, van hooguit enkele weken vooruit, te vervangen door dit automatisch planningsproces waarmee we enkele maanden vooruit kunnen plannen. Het voordeel voor reizigers is duidelijk: minder ongepland onderhoud resulteert in minder vertraging en annulering van vluchten.”
Santos: “Met onze geïntegreerde ReMAP-aanpak hebben we een belangrijke bijdrage geleverd om conditie-gestuurd onderhoud optimaal toe te kunnen passen in de commerciële luchtvaartindustrie. Verder hebben we een open IT-platform ontwikkeld waarmee AI-ontwikkelaars hun prognoses of planningsalgoritmen met een paar klikken kunnen laten draaien op basis van werkelijke operationele gegevens. Dit bevordert de ontwikkeling van innovatieve oplossingen van derden, om van onderhoud met vaste tijdsintervallen snel te gaan naar een echt adaptieve, conditie-gebaseerde onderhoudsbenadering in het gereguleerde luchtvaartdomein.”
Naast het onderzoek naar AI-modellen maken ook andere onderzoeken deel uit van ReMAP. Een van deze onderzoeken richt zich op mogelijkheden voor het gebruik van diagnose- en prognose-modellen voor composiet vliegtuigstructuren. Handmatige inspecties van deze structuren is tijdrovend. Zo is schade aan composiet vliegtuigstructuren vaak niet zichtbaar aan het oppervlak. Dit bemoeilijkt het opsporen van beschadigingen.
Binnen het ReMAP-project zijn diagnose- en prognosesystemen ontwikkeld die AI gebruiken voor het in kaart brengen van schade, lokaliseren van schade en bepalen van de ernst van schade. Dit model is twee jaar lang getest door de Faculteit voor Luchtvaart- en Ruimtevaarttechniek van de TU Delft en de Universiteit van Patras (GR). Op basis van deze testperiode is een publieke kennisbank opgezet.
Auteur: Wouter Hoeffnagel
Foto: Free-Photos via Pixabay
Het personeelstekort in de zorg neemt de komende jaren naar verwachting een flinke vlucht. Naar verwachting komt de zorg in 2032 zo’n 135.000 werknemers tekort. Technologie kan uitkomst bieden. De inzet van bestaande technologie kan tot 110.000 werknemers in de zorg vrijspelen.
Dit meldt Gupta Strategist in een rapport. Het onderzoeksbureau onderzocht in opdracht van ondernemersorganisatie voor de technologische branche FME hoe groot de bijdrage van medische technologie in de zorg kan zijn. De afgelopen decennium lag de nadruk op de betaalbaarheid van ons zorgstelsel als belangrijkste knelpunt. Door onze meer de vergrijzende bevolking speelt het personeelstekort echter een steeds grotere rol. Volgens de laatste arbeidsmarktprognoses loopt het tekort op van 48.600 werknemers in 2022 tot 135.000 stuks in 2031. Het tekort is met name in de ouderen- en ziekenhuiszorg fors. In de twee branches zijn in 2031 naar verwachting zo’n 98.000 medewerkers te weinig.
Bestaande medische technologie kan uitkomst bieden, blijkt uit onderzoek van Gupta. Indien deze technologie juist wordt ingezet speelt dit in potentie 110.000 zorgmedewerkers vrij. In het onderzoek is gekeken naar toepassing uit diverse categorieën:
Op basis van analyses meldt Gupta dat medische technologie in ziekenhuizen het personeelstekort met 46.000 werknemers kan verkleinen. Dit betekent dat het personeelstekort grotendeels kan worden opgelost met behulp van bestaande technologie. De helft van deze potentie schrijft Gupta toe aan de inzet van medische technologie ter preventie van ziekenhuiszorg. De overige potentie komt doordat de technologie de inzet van personeel kan verlichten. Hierdoor zijn minder mensen nodig voor het leveren van dezelfde hoeveelheid zorg.
Ook in de ouderenzorg is de potentie groot, meldt Gupta. Bestaande medische technologie kan het personeelstekort in de ouderenzorg met 64.500 werknemers verkleinen. Hiermee kan zo’n tweederde van het verwachte personeelstekort in de ouderenzorg in 2031 worden opgelost. De potentie ligt hierbij vooral in het verlichten van de inzet van personeel. Hetzelfde personeel kan hierdoor voor meer cliënten zorgen.
Hoewel de potentie van technologie in het rapport groot blijkt, wijst het rapport tegelijkertijd op een gebrekkige adoptie. Zo ontbrak het onder meer aan urgentiegevoel. Zo is het inhuren van personeel tegen hogere kosten voor het management en bestuur vaak eenvoudiger dan het dusdanig veranderen van zorgprocessen dat medische technologie optimaal wordt ingezet. De relatieve factorprijs van arbeid ligt lager dan die van kapitaal, waardoor organisaties kiezen voor arbeid. Ook is de vraag vanuit patiënten om medische technologie nog beperkt.
Ook is de kennis over zorgtechnologie op alle niveaus beperkt. Van bestuurskamer tot spreekkamer en van Tweede Kamer tot huiskamer weten mensen te weinig over de technologie mogelijkheden, impact hiervan en voorwaarden voor een succesvolle implementatie in zorgprocessen. Het rapport noemt dit kennisgebrek problematisch, aangezien er daardoor geen alternatief handelingsperspectief is. Alles blijft daardoor bij het oude. Ook heeft technologie geen structurele plek in opleidingscurricula. Veel zorgorganisaties willen bewezen technologie daarnaast eerst testen in plaats van direct te implementeren. Daarnaast bestaat angst en wantrouwen rondom technologie onder personeel.
De implementatie van medische technologie vraagt om investeringen. Deze zijn vanuit organisatieperspectief soms lastig te verantwoorden, meldt Gupta in het rapport. Zo zorgt innovatie er soms voor dat inkomsten wegvallen, terwijl er wel investeringen nodig zijn. Een voorbeeld is telemonitoring of de verschuiving van klinische zorg naar zorg in dagopname. Een gelijk patiëntvolume leidt hierbij tot een lagere omzet doordat het ziekenhuis productie verschuift naar goedkopere DOT’s.
Ook wijst Gupta op de ‘schotten’ in financiering. Als voorbeeld noemt het onderzoeksbureau een situatie waarbij kosten en baten van een innovatie niet op dezelfde plek vallen. Denk hierbij aan betere ondersteuning van ouderen in de wijk, wat intramurale ouderenzorg kan uitstellen of voorkomen. De hiervoor benodigde investeringen vallen binnen Wmo en Zvw, terwijl de baten optreden in de Wlz. Dit maakt het voor zowel een thuiszorgorganisatie als zorgverzekeraar en gemeente financieel niet interessant om te investeren in het voorkomen dat mensen instromen in de Wlz.
De investeringsruimte bij zorgorganisaties is daarnaast beperkt. Tegelijkertijd maakt concurrentie zorgverzekeraars terughoudend in investeringen in medische technologie.
Ook is het zorgaanbod soms te gefragmenteerd voor het volledig benutten van de potentie van medische technologie. De schaal is relatief klein, wat het realiseren van een positieve business case bemoeilijkt. Vaak zijn grote patiëntvolumes nodig om innovatieve infrastructuur volledig te benutten. Dit maakt onder meer de kosten per patiënt behapbaar.
Regionale samenwerking kan een manier zijn om samen schaal te creëren zodat oplossing goed kunnen worden geïmplementeerd. Onderlinge concurrentie belemmert zorgorganisaties echter samen schaal te creëren. Als voorbeeld noemt Gupta de wijkverpleging, waar zorgorganisaties de afgelopen jaren beperkt gericht waren op het delen van kennis bij het opschalen van innovaties met het oog op het behoud van het eigen marktaandeel.
Ook vragen proces- en organisatieveranderingen om mensen die deze veranderingen aanjagen, begeleiden en uitdagingen oplossen. Deze mensen zijn weinig beschikbaar binnen zorgorganisaties. Met name in de ouderenzorg speelt dit probleem.
Alle belanghebbenden kunnen volgens het rapport bijdragen aan het doorbreken van de impasse. “Een integrale blik op de inzet van personeel en inzet van technologie is wenselijk. Het is niet het een of het ander. Pas als partijen de urgentie voelen, zullen ze meer doen om de implementatie van technologie te bevorderen”, schrijft Gupta in het FME-rapport.
“We constateren dat elk van de belanghebbenden opties heeft om de inzet van bestaande technologie te bevorderen. Zorgorganisaties, zorgverzekeraars en zorgkantoren, burgers, overheid en de technologische industrie beschikken allen over instrumenten om binnen het huidige stelsel actief bij te dragen aan de implementatie van technologie in de zorg. Als zij samen optrekken en gelijkgericht handelen, is veel mogelijk.”
Het onderzoeksrapport is hier beschikbaar.
Auteur: Wouter Hoeffnagel
Bron foto: Pixabay / sasint
Hoe zelfrijdende voertuigen op de openbare weg moeten worden toegelaten is een onderwerp waarover regelmatig discussie is. Zelfrijdende technologie maakt echter niet alleen het gebruik van auto’s op de openbaar weg anders, maar ook het testen van dergelijke voertuigen. Een nieuw algoritme voorspelt wanneer componenten van een zelfrijdende auto kapot dreigen te gaan. Zo kan het voertuig veilig en gecontroleerd tot stilstand komen.
Het algoritme is ontwikkeld door de Zweedse Technische Universiteit Chalmers. De universiteit wil hiermee bijdragen aan het veilig testen van voertuigen, ook indien geen menselijke bestuurder in het voertuig aanwezig is.
Het testen van auto’s is op dit moment het werk van testchauffeurs. Een belangrijke vaardigheid van deze chauffeurs is het tijdig kunnen herkennen van signalen die erop wijzen dat een significant onderdeel van het voertuig kapot dreigt te gaan. Zo kunnen testchauffeurs hierop anticiperen, hun voertuig tijdig tot stilstand brengen en ongelukken voorkomen.
Het testen van zelfrijdende voertuigen vindt echter lang niet altijd plaats in de aanwezigheid van een menselijke chauffeur. Het is dan ook van belang dergelijke signalen op een andere manier op te merken. Denk hierbij aan trillingen, afwijkende meetwaarden, oplopende temperaturen en andere factoren.
Dit is extra van belang aangezien in de toekomst naar verwachting zelfrijdende voertuigen op dezelfde testbanen getest worden als reguliere voertuigen mét bestuurder. Met het oog op de veiligheid van deze bestuurders is het van belang dat problemen met zelfrijdende voertuigen tijdig gedetecteerd worden.
Het onderzoeksproject heet ‘Enablers for testing autonomous vehicles at existing testing grounds’. Het onderzoek brengt de uitdagingen in kaart die ontstaan rondom het testen van voertuigen op bestaande testbanen naarmate auto’s in toenemende mate autonomer worden. Onderzoekers van de Technische Universiteit Chalmers werkten hierbij samen met vrachtwagenfabrikant Volvo en autofabrikant Volvo Cars.
De partijen presenteren nu een geautomatiseerd systeem dat in real-time waarschuwt indien een mechanisch component dat van belang is voor de veiligheid van het voertuig dreigt te falen. “Het probleem ligt in hoe je een voertuig het beste kunt monitoren indien je vantevoren niet weet wat er kapot gaat”, legt Tomas McKelvey, hoofdleraar Signaalverwerking van de faculteit Elektrotechniek van de Technische Universiteit Chalmers, uit.
Zelfrijdende voertuigen op de weg zijn voorzien van allerlei veiligheidssystemen. McKelvey benadrukt dat tijdens het testen van voertuigen echter niet vertrouwd kan worden op systemen waarvan de aanwezigheid op de openbare weg verplicht is. Dit aangezien het testen van voertuigen vaak in vroege fasen van de voertuigontwikkeling plaatsvindt. Dergelijke autonome functies zijn dan nog niet altijd betrouwbaar.
Mensen detecteren problemen onder meer aan de hand van veranderingen in trillingen. Het algoritme gaat op dezelfde wijze te werk. Met behulp van accelerometers op diverse plekken in het voertuig registreert het algoritme de vibraties in de motor en de wijze waarop deze trillingen zich door componenten en de carrosserie verspreiden. “Onze hypothese is dat de aard van de trillingen verandert indien een probleem ontstaat aan boord en dat die veranderingen kunnen worden geregistreerd met behulp van instrumenten”, zegt McKelvey uit.
Trillingen kunnen uiteraard ook door andere factoren veranderen. Bijvoorbeeld door variaties in het wegdek. Een aantal sensoren die bij de wielen zijn geplaatst meet daarom de trillingen die het voertuig ingaan. De overige instrumenten zoeken naar veranderingen in trillingen in het voertuig.
Bij het ontwikkelen van het algoritme speelde het verzamelen van de juiste gegevens een belangrijke rol. Hiervoor zijn twee testvoertuigen gebruikt: een vrachtwagen en een personenauto. Deze zijn getest op een testbaan van Volvo in Hällered. Hier is ook de AstaZero-testfaciliteit van de Technische Universiteit Chalmers en RISE gevestigd.
Op basis van data die hier is verzameld is een wiskundige omschrijving gecreëerd van hoe de verschillende onderdelen van het voertuig samen bewegen. Op basis van deze gegevens is een model gecreëerd dat de normale situatie omschrijft. Iedere waarde kan hierbij een bepaalde afwijking hebben.
Vervolgens lieten de onderzoekers de twee testvoertuigen over hetzelfde oppervlakte als eerder rijden. Om het algoritme te testen creëerden zij bewust technische problemen in het voertuig. Het systeem bleek deze problemen vrij eenvoudig te detecteren. Zelfs als het om problemen ging die volgens testchauffeurs zeer moeilijk detecteerbaar zijn.
In een geval merkte het algoritme een probleem niet op. Het ging hierbij om een moer die iets was losgedraaid op de schokdemper van de vrachtwagen. “Dit was echter een probleem dat de testchauffeurs ook niet konden voelen”, aldus McKelvey.
Het systeem detecteert op dit moment alleen dat er een probleem is opgetreden. Wat dit probleem is kan het algoritme niet achterhalen. De onderzoekers verwachten dat dit wel ontwikkeld kan worden, maar hadden hiervoor in dit onderzoek onvoldoende tijd beschikbaar. McKelvey: “Vanuit een veiligheidsperspectief is het detecteren dat een probleem optreedt het belangrijkste, zodat het voertuig van de testcircuits gehaald kan worden.”
McKelvey meldt dat er vanuit andere testfaciliteiten veel interesse is in het project. Hij hoopt dat de methode wordt doorontwikkeld tot een internationale standaard voor testcircuits.
Meer informatie over het algoritme is hier beschikbaar.
Auteur: Wouter Hoeffnagel
Kunstmatige intelligentie (AI) voorspelt de beste behandeling voor patiënten met melanoom. Het AI-model is ontwikkeld als onderdeel van het Data Science Experience (DSX) project, dat is opgezet door het Isala Ziekenhuis.
“Het is mijn wens om de zorg voor patiënten te verbeteren door gebruik te maken van beschikbare data”, vertelt Richard Brohet, genetisch epidemioloog, statisticus en datascientist bij de Isala Academie. Brohet startte samen met collega’s het DSX project.
“Dat wil ik in eerste instantie doen voor oncologiepatiënten. DSX maakt gebruik van alle medische gegevens in Isala, oftewel Big Data. Met artsen hebben wij overlegd wat voor algoritme met AI (artificial intelligence) wij als eerste wilden ontwikkelen. De keuze viel op melanoom. Samen met internist-oncoloog Jan Willem de Groot ben ik daarom deze pilotstudie gestart.”
Patiënten met kanker komen voor diverse vraagstukken te staan. Waarom is het ontstaan en wat is de beste behandeling? “Voor oncologiepatiënten zijn die vragen lastig te beantwoorden. Kanker kan ontstaan door verschillende oorzaken, denk aan leefstijl, hormonen, omgeving, genetische afwijkingen, erfelijkheid, of een combinatie van deze factoren. Ook hangt de behandeling van kanker af van persoonlijke, klinische en genetische kenmerken. Omdat iedere tumor en dus iedere patiënt uniek is, willen we een behandeling op maat zodat de overleving beter is en de kans op een behandeling die niet werkt kleiner is. Patiënten met melanoom krijgen naast chemotherapie nu ook doelgerichte therapie of immunotherapie. Dit slaat bij de ene patiënt wel aan, maar bij de andere niet. Hoe kan dat? AI zou enorm kunnen helpen bij het beantwoorden van deze vraag en het leveren van een behandeling op maat. Dat proberen wij nu dus met DSX te doen”, ligt Brohet toe.
Het AI-model dat als onderdeel van het DSX project is ontwikkeld zet gestructureerde en ongestructureerde data in voor analyses. Denk bij gestructureerde data aan geslacht, leeftijd, gewicht en omvang van de tumor. Ongestructureerde data zijn onder meer gegevens die in open tekstvelden worden ingevuld. Denk hierbij aan hoe het met iemand gaat, zijn leefstijl en beroep, en hoe de patiënt omgaat met de ziekte. Het gaat daarbij specifiek om informatie die niet in een afvinklijst past, maar wel van belang is.
De Groot: “Door ook die data te gebruiken, kun je zoeken naar wat je niet verwacht en verbanden zien. Ook geeft het ons inzicht in de uitkomsten van de verschillende behandelingen over de tijd. Complexere data kunnen wij op deze manier steeds beter vangen en analyseren en wij kunnen beter zien wat voorspellende factoren zijn.”
Het basis-AI-model dat nu is ontwikkeld voorspelt wat de beste behandeling is voor een patiënt met een melanoom. Wel moet het model nog verder worden gevalideerd. De Groot meldt dat indien hij de gegevens van een bekende patiënt invoert, het model inderdaad de juiste behandeling voorspelt. Het algoritme moet nu groeien, wat de makers willen doen door meer patiënten toe te voegen, ook van andere melanoomcentra. Zo willen zij de voorspellingen verder optimaliseren en zo maatwerk bieden aan patiënten. De Groot: “Er wordt vaak gezocht naar medicijnen die het leven met een paar maanden kunnen rekken. Mijn mening is dat wij beter kunnen investeren in de kwaliteit van leven. Dit kunnen we doen door te leren van de beschikbare data om zo samen met de patiënt te beslissen over de meest passende behandeling.”
Al langer werken onderzoekers aan AI-modellen die de behandeling van oncologiepatiënten ondersteunt. Zo beoordeelt een AI-algoritme ontwikkeld door onderzoekers van de Radboudumc longknobbels. Het model voorspelt het risico dat deze knobbeltjes uitgroeien tot tumoren. Het in een vroegtijdig stadium detecteren van tumoren vergroot de kans op een succesvolle behandeling en verkleint de kans op sterfte door longkanker. Veel van de kleine knobbeltjes die op CT-scans zichtbaar zijn, zijn echter goedaardig. Deze kunnen met rust worden gelaten, terwijl kwaadaardige knobbels wel moeten worden aangepakt. Het algoritme maakt onderscheid tussen goed- en kwaadaardige knobbels.
Een tweede voorbeeld is een algoritme ontwikkeld door onderzoekers van de Technische Universiteit Eindhoven. Het gaat hierbij om een machine learning-model dat voorspelt of immunotherapie effectief werkt bij een patiënt met kanker. Ons immuunsysteem werkt onder meer om bedreigingen in ons lichaam uit te schakelen, waaronder kanker. Kankercellen kunnen immuuncellen echter uitschakelen, waarmee zij hun vernietiging voorkomen. Immunotherapie kan dit proces in sommige gevallen omdraaien. Het algoritme voorspelt de kans op een succesvolle behandeling met immunotherapie.
Via het onderzoeksproject PRESCRIP-TEC, waarbij onder meer het LUMC betrokken is, werken onderzoekers aan AI die helpt bij het bestrijden van baarmoederkanker. Deze vorm van kanker wordt veroorzaakt door het humaan papillomavirus (HPV). Vrouwen met een chronische HPV-infectie ontwikkelen voorstadia van baarmoederhalskanker. Deze zijn opspoorbaar via screenings. In Nederland zijn screenings via uitstrijkjes gemeengoed. In veel lage- en middeninkomenslanden is de toegang tot gezondheidszorg vaak echter slecht en zijn screenings zeldzaam.
Een zelftest kan uitkomst bieden, waarna een relatief eenvoudig behandeling mogelijk is. Deze zijn echter relatief arbeidsintensief in afgelegen gebieden, terwijl snel ingrijpen juist belangrijk is. Via het PRESCRIP-TEC project werken de onderzoekers aan AI die helpt bij het beoordelen van zelftesten die vrouwen bij zichzelf uitvoeren met een wattenstok. Indien zij HPV hebben en een screening nodig is, helpt AI-technologie gezondheidswerkers bij het herkennen van de verkleuring van de baarmoedermond.
Auteur: Wouter Hoeffnagel
Foto: Gordon Johnson via Pixabay