Een nieuw AI-systeem leert van Oegandese patiëntgegevens hoe lokale artsen kinderepilepsie behandelen. MANANA presteert beter dan standaard AI-modellen en weet ook wanneer een zaak te complex is voor een machine — en dus bij een menselijke specialist hoort.
In grote delen van de wereld is gespecialiseerde kennis over epilepsiebehandeling schaars. Kunstmatige intelligentie zou een uitkomst kunnen zijn, maar er is een probleem: bestaande taalmodellen volgen vrijwel altijd een "Westerse standaard". Ze houden geen rekening met de lokale richtlijnen en voorschrijfpraktijken die in Oeganda gelden. Dat blijkt uit een wetenschappelijk artikel op arxiv.org.
🧠 Even simpel uitgelegd
Grote taalmodellen (LLM's) zijn AI-systemen die tekst begrijpen en genereren. Die zijn getraind op vooral Westerse data — dus ze "weten" vooral hoe Westerse artsen werken. MANANA lost dat slim op: in plaats van het hele model opnieuw te trainen (duur en ingewikkeld), geeft het systeem het model een soort notitieboekje mee met geleerde lokale regels. Daarnaast berekent het hoe zeker het is over een advies. Bij twijfel zegt het gewoon: "dit moet een mens doen".
Leren van fouten, niet van nul
Shreyas Rajesh en een team van tien andere auteurs ontwikkelden MANANA, een zogenaamd non-parametrisch prompt-learning framework. Het systeem leert lokale voorschrijfrichtlijnen uit een kleine set patiëntgegevens. Fouten in voorschriften worden omgezet in een controleerbaar "promptgeheugen" — het model hoeft dus niet volledig opnieuw getraind te worden.
De onderzoekers testten MANANA op twee onafhankelijke cohorten uit Oeganda. De opdracht: voorspellen welke anti-epileptische medicatie een patiënt krijgt, op basis van longitudinale klinische notities. Het systeem versloeg klassieke machine learning-modellen, directe prompting van LLM's en andere prompt-optimalisatietechnieken.
Weten wanneer je moet twijfelen
Een cruciaal onderdeel is dat MANANA zijn eigen onzekerheid kan kwantificeren. Via Bayesian prompt averaging (BPA) berekent het model de waarschijnlijkheid van een voorgesteld medicatieregime. Is de onzekerheid te groot? Dan geeft het systeem een "deferral signal": de zaak gaat naar een menselijke specialist.
De cijfers laten zien dat die aanpak werkt:
- Cohort A: de overeenstemming met het regime van de arts (top-1 agreement) steeg van 66% naar 70%.
- Cohort B: de overeenstemming steeg van 73% naar 75%.
Bij Cohort B was de precisie bij de meest zekere gevallen indrukwekkend hoog. De helft van de gevallen met de hoogste betrouwbaarheid haalde 95% precisie; het meest zelfverzekerde kwart zelfs 99%. Precies daarom werkt de doorverwijsstrategie: alleen twijfelgevallen gaan naar de specialist, waardoor de schaarse aandacht van artsen maximaal benut wordt.
Erkenning op het hoogste niveau
Het onderzoek is te vinden op de website van conferentie neurips.cc, een van de meest prestigieuze platforms voor machine learning. De publicatie is ook terug te vinden via de website van co-auteur yigitturali.com.
Daarnaast is het onderzoek ook terug te vinden op huggingface.co.
De conclusie van de studie is veelbelovend: lokaal aangepaste klinische AI-systemen zijn een haalbare route om de zorg in ondervertegenwoordigde regio's te verbeteren — door te leren van beperkte, plaatsgebonden data in plaats van dure grootschalige training.