Distributed learning

R & D zet in op de allernieuwste technieken als ‘artificial intelligence’ en ‘privacy preserving techniques’ om ook in de toekomst veilig met ‘real world data’ te kunnen werken. Een andere belangrijke ontwikkeling waar IKNL internationaal in vooroploopt, is distributed learning. Hierbij blijven de gegevens van patiĆ«nten decentraal opgeslagen, bijvoorbeeld in het EPD van het ziekenhuis, en ‘reizen’ alleen de algoritmen van de NKR met een specifieke, afgebakende opdracht door deze data heen. Uiteraard met toestemming van ziekenhuizen en patiĆ«nten. Dit concept wordt ook wel een ‘personal health train’ genoemd.

FAIR-principes

IKNL omarmt met betrekking tot data de FAIR-principes (Findable, Accessible, Interoperable, Reusable). R & D vervult hierin, in nauwe samenwerking met (inter)nationale partners, een belangrijke taak. Ook standaardisatie van data is essentieel om in een digitaal ecosysteem effectief gebruik te kunnen maken van ‘real world data’ en nieuwe analysetechnieken. Niet in de laatste plaats schenkt R & D aandacht aan de doorontwikkeling van veilige en moderne technieken om data op verantwoorde wijze op te slaan en te delen. 

Privacy preserving techniques

Data-extractie betekent niet per se het ‘verzamelen en meenemen van data’ in de gebruikelijke zin van het woord. Door introductie van strengere nationale en internationale privacywetten is het bovendien niet langer wenselijk om centrale databanken aan te leggen. Met moderne ‘privacy preserving techniques’ is het technisch gezien ook niet meer noodzakelijk om grote hoeveelheden data te verzamelen om waardevolle analyses en interpretaties te kunnen uitvoeren.

Open source

De digitale instrumenten die IKNL ontwikkelt, worden betaald met gemeenschapsgeld. Daarom stelt IKNL de broncodes beschikbaar als ‘open source’, zodat andere professionals deze kunnen gebruiken als basis voor verdere ontwikkeling. Meer informatie is te vinden op: www.distributedlearning.ai