Neuromodulatie. Bridging the gap between mind and brain
Prof. dr. Damiaan Denys: In essentie is psychiatrie klinische expertise. In zo'n universum geldt geen theorie
Dr. Yasmin Namavar, Amsterdam UMC, locatie AMC: ‘Als bedoeld wordt dat klinische expertise binnen de psychiatrie nooit helemaal in theorie gevat kan worden, dan ben ik het daarmee eens. De meest ervaren klinisch expert kan goede keuzes maken die theoretisch niet te onderbouwen zijn. Bovendien leidt gesuggereerde hardheid van wetenschappelijke theorie gemakkelijk tot een problematische blikvernauwing in de klinisch praktijk. Anderzijds als je vraagt: “Kan je maligne katatonie herkennen door het alleen uit een tekstboek te hebben geleerd?” dan denk ik dat het antwoord “ja” is. De vraag is dan: noemen we dit ook theorie of alleen klinische expertise?'
Dr. Yasmin Namavar: De grens tussen menselijk lijden en psychiatrisch lijden is zowel arbitrair als belangrijk
Prof. dr. Damiaan Denys, Amsterdam UMC, locatie AMC: ‘Ik hou van deze stelling omdat ze de ambivalentie uitdrukt die zo typerend is voor de psychiatrie. We weten dat die grens inderdaad arbitrair is. Ook de definitie van stoornissen en symptomen berusten uiteindelijk op subjectieve keuzes en aannames. Niettemin blijft een categoraal onderscheid belangrijk om praktische redenen, waaronder financiële en wetenschappelijke afspraken, patiënt-arts relatie, overleg et cetera. Vreemd genoeg accepteren we zonder problemen arbitraire grenzen in literatuur, kunst en zelfs natuurwetenschappen. In de psychiatrie, die heel gevoelig kan zijn omdat ze de autonomie van de patiënt schaadt, wordt die grens voortdurend in twijfel getrokken waardoor we in onwerkbare situaties terechtkomen.’
Lerende machines zien wat u niet ziet maar wel wil weten
Dr. Hilgo Bruining: Machine learning is geen black box en kan helpen causale relaties te ontrafelen
Gianina Cristian, onderzoeker Radboudmc/Amsterdam UMC: ‘Het begrijpen van het mechanisme zal helpen een fenomeen te voorspellen, maar het omgekeerde houdt niet per se stand . Verdrinkingen lopen op met ijsverkoop en vice versa, maar het ene veroorzaakt het andere niet: “zomer” is de missing link. Onbekende mechanismen leiden ertoe dat critici machine learning-modellen vergelijken met een black box, veel wiskunde, weinig wol. Echter, in de praktijk zijn we weer minder geïnteresseerd in het “hoe” maar meer in behandelsucces, terwijl dieper begrip nodig is voor betere voorspellingen. Mijn missie is om deze puzzel te leggen en transparant te zijn over wát er in de black box zit.’
Gianina Cristian: Er bestaan ‘goede’ en ‘slechte’ modellen voor het voorspellen van behandeleffecten.
Dr. Hilgo Bruining, Amsterdam UMC: ‘Met bestaande behandeldata kun je algoritmes trainen om effectiviteit te voorspellen, wat iets anders is dan toekomstige voorspellingen in nieuwe patiënten. De uitkomsten in de toekomst zijn “dynamisch” en steeds afhankelijk van technologie, epidemiologie en sociale fenomenen, waardoor dezelfde algoritmen verschillende uitkomsten kunnen hebben. De waarde van voorspellingen door algoritmes hangt af van de vraag die we ze stellen: krijgt u meer of minder waarschijnlijk dan gemiddeld een recidief x of uitkomst y binnen z termijn. Goede algoritmen gaan helpen om relevante informatiebronnen te integreren én samen met menselijke “hardware” (ons eigen brein) besluitvorming te ondersteunen en zorg te verbeteren.’