Onderzoeken

INSAFEDARE – Helder omgaan met data en kunstmatige data om goed onderbouwde keuzes te maken bij regelgeving

Het doel van het INSAFEDARE-project is een tool opleveren die ervoor zorgt dat digitale zorginnovaties sneller de benodigde regulerings- en certificeringsprocessen kunnen doorlopen.

Aanleiding en doel

Het doel van het INSAFEDARE-project is een tool opleveren die ervoor zorgt dat digitale zorginnovaties sneller de benodigde regulerings- en certificeringsprocessen kunnen doorlopen. Een cruciaal onderdeel van deze tool, en gelijk de specifieke bijdrage van het LUMC, is het genereren van synthetische data. Synthetische data zijn gegevens die een bepaalde groep mensen statistisch gezien goed beschrijven, maar niet te herleiden zijn tot werkelijk bestaande individuen, wat de privacyrisico’s die normaal gesproken horen bij het delen van data kan verminderen. Omdat een synthetische dataset dus makkelijker gedeeld kan worden met allerlei instanties binnen het regulerings- en certificeringsproces, kan het sneller doorlopen worden. Dit bespaart tijd en geld voor niet alleen de ontwikkelaars, maar ook voor de certificerende instanties zelf, en voor zorgaanbieders die innovaties sneller in de praktijk kunnen gebruiken. Synthetische data binnen INSAFEDARE omvatten bijvoorbeeld elektronische patiëntendossiers, maar ook radiologische afbeeldingen.

Binnen INSAFEDARE werken onderzoeksinstellingen, ziekenhuizen en commerciële partners uit heel Europa samen om de laatste inzichten uit de data management, machine learning, certificering, en het recht te bij elkaar te brengen. Deze informatie levert het theoretische fundament van de tool zoals hierboven beschreven, maar brengt tegelijk de knelpunten in kaart die nu bestaan in het reguleren en certificeren van digitale zorginnovaties, zodat ontwikkelaars in de toekomst sneller innovaties naar de zorgpraktijk kunnen brengen.

Methodiek

Er wordt onder andere gebruik gemaakt van literatuuronderzoek, het ontwikkelen van herbruikbare software en prototypes, en machine learning experimenten.

Relevante (deel)resultaten

  • Gallos et al. 2024. INSAFEDARE Project: Innovative Applications of Assessment and Assurance of Data and Synthetic Data for Regulatory Decision Support. (link)
  • Achterberg et al. 2025. The Data Sharing Paradox of Synthetic Data in Healthcare. (link)
  • Van Dijk et al. 2024. A Novel Taxonomy for Navigating and Classifying Synthetic Data in Healthcare Applications. (link)