Interview met Ingrid van Maurik. Recent rondde zij haar opleiding Data Science af.
1. Wat is data science?
Data science, machine learning, big data, artificial intelligence. Het zijn hippe termen die je in deze tijd om de oren kunnen vliegen. Ook in de gezondheidszorg wordt dit vakgebied steeds meer ‘hip and happening’. Waar het in essentie op neerkomt; het verzamelen van, en wijs worden uit, grote hoeveelheden aan gegevens. Als onderzoeker besteedde ik al veel tijd aan het analyseren van gegevens van onze geheugenpoli patiënten. Daarbij keek ik vooral naar de vraag; kunnen we voorspellen of iemand dementie krijgt? Om daar een voorspelling voor te maken, gebruikte ik gegevens (denk aan leeftijd, geslacht, resultaten van de hersenscan of uit het hersenvocht) van patiënten zonder dementie die in het verleden bij ons op de geheugenpoli zijn geweest en wie wij een aantal jaar hebben kunnen volgen om te zien of ze wel of geen dementie hebben gekregen. Dat deed ik met ‘traditionele statistiek’. Steeds vaker kreeg ik de vraag van collega’s en concullega’s waarom ik daar eigenlijk geen machine learning/AI/Data Science voor gebruikte. Een goed antwoord had ik daar niet op, omdat ik eigenlijk niet wist wat het verschil met de traditionele statistiek nou was. En om eerlijk te zijn; dat wisten degene die de vraag stelde ook niet. Dat is een van de redenen geweest om aan een data science opleiding te beginnen. Tegelijk was het ook een mooie kans om mijn technische vaardigheden op het gebied van data analyse verder te ontwikkelen.
2. Wat doet een data scientist?
Een data scientist is een specialist op het gebied van data en beweegt zich over een heel brede schaal met alles wat daarmee te maken heeft. Denk daarbij aan het verzamelen van gegevens en het opzetten van een database; welke vraag leeft er in de praktijk? Waar halen we bepaalde informatie en gegevens vandaan om die vraag te beantwoorden, en hoe doen we dat zinvol, efficiënt en AVG-proof? Als er data beschikbaar is, wat is dan de beste manier of techniek om die data te analyseren en om er wijs van te worden. En als je die analyses dan hebt gedaan; hoe breng je dat dan op een zinnige manier terug naar de praktijk? Hoe krijg je het ingebed in systemen die in de praktijk gebruikt worden, zoals bijvoorbeeld het elektronisch patiënten dossier? Een data scientist is dus een duizendpoot die kennis combineert van projectmanagement, wiskunde en informatica.
3. Wat voor impact heeft data science op dementieonderzoek en de dementiezorg?
Wanneer een ziekte complex is en meerdere factoren bijdragen aan het ontstaan of het beloop van de ziekte, zal je verschillende gegevens bij elkaar moeten brengen om meer te kunnen leren van die ziekte. Dat is bij uitstek het geval in het dementieveld en data science kan daar dan ook een hele nuttige bijdrage aan leveren. Eigenlijk zijn we daar in het Alzheimercentrum al een tijdje mee bezig. Bijvoorbeeld met het ABIDE project. Daar hebben we goed gekeken naar welke vraag er in de praktijk leeft: welke patiënt met milde cognitieve stoornissen zal dementie krijgen en hoe kunnen we dat voorspellen met gegevens van bijvoorbeeld de hersenscan en uit het hersenvocht. We ontwikkelde rekenmodellen en maakten een online app zodat de arts die rekenmodellen ook echt kon gebruiken. Al deden we dat met relatief weinig gegevens en met ‘traditionele statistiek’, het was data science in het klein. Waar we nu naartoe gaan met het dementieveld is nog meer gegevens bij elkaar brengen om nog beter een uitspraak te doen over bijvoorbeeld het beloop van dementie. Denk daarbij aan gegevens van de huisarts en van de zorgverzekeringen of met nieuwe biomarkers bijvoorbeeld in het bloed. Daar is het ABOARD project dan weer een mooi voorbeeld van, waar we richting data science in het groot gaan.
4. Wat zijn jouw doelen als data scientist?
Ik voel mij uitermate comfortabel in de rol als duizendpoot. Tijdens de opleiding heb ik wel ontdekt dat ik heel goed het overzicht en het contact met de praktijk kan houden. Je kan nog zo’n mooi machine learning algoritme hebben gemaakt, de arts en patiënt moeten ermee geholpen zijn anders sla je de plank volledig mis. Mijn rol zie ik vooral op het bewaken van dat stukje binnen data science. Een persoonlijk doel is daarnaast dat ik graag mijn technische vaardigheden wil blijven ontwikkelen, met name op het wiskundig vlak. Goed kunnen begrijpen hoe een bepaalde data analyse wiskundig in elkaar steekt. Daarmee hoop ik anderen in de toekomst te kunnen helpen met het vinden van de beste techniek voor hun specifieke vraag.
5. Wat verandert er nu aan jouw werk als onderzoeker nu je deze titel hebt behaald?
Met deze titel op zak heb ik extra tools tot mijn beschikking om data te analyseren. Dat betekent overigens niet dat voor het analyseren van data de keuze altijd op machine learning algoritmen zal vallen. Mocht ik in het vervolg de vraag krijgen ‘waarom niet machine learing/data science’, dan kan ik daar nu veel beter het gesprek over aangaan. Er is veel overlap tussen data science en traditionele statistiek en de scheidslijn is lang niet zo duidelijk als veel mensen lijken te denken. Waar het mijns inziens met name om gaat is; welk probleem willen we in de praktijk oplossen en hoe doen we dat op een manier waar de praktijk ook daadwerkelijk wat aan heeft? Dat zal ik als onderzoeker nu nóg beter in het vizier houden.