Mayer-Schönberger vertelt dat big data zal zorgen voor een nieuw perspectief op de realiteit. ‘Meer details en meer inzicht. We kunnen dat perspectief vervolgens ook toepassen bij het nemen van beslissingen. Nu maken we vaak nog besluiten op basis van zaken als intuïtie, ervaring of stereotypering, maar straks zullen we keuzes maken op basis van hoe de wereld echt werkt.’ Sinds het begin van de tijd proberen we volgens de professor al de wereld te begrijpen op basis van data. Het verzamelen en interpreteren is moeilijk en intensief. ‘We zoomen enorm in op het kleine beetje data dat we hebben en proberen daar conclusies uit te trekken. Maar wat als we straks alle informatie in de wereld aan elkaar kunnen koppelen en een nieuwe wereld kunnen ontdekken?’
Voorbeeld 1: H1N1
Mayer-Schönberger geeft als eerste voorbeeld de bestrijding van H1N1 via big data. Het Amerikaanse CDC werkte tijdens de uitbraak van het H1N1 virus dag en nacht aan de bestrijding van het virus. Het enige wat lukte was stoppen van verdere verspreiding en voorspellen waar het virus twee weken geleden uitbrak. ‘Niet echt handig bij de uitbraak van een dodelijk virus’, vertelt de professor. Google bleek echter slimmer en kon op basis van zoekopdrachten in hun database voorspellen waar mensen griep kregen. De zoekopdrachten zijn locatiegebonden, waardoor zij in staat waren om heel nauwkeurige uitspraken te doen.
De fotocamera
Om de fundamentele verandering te kunnen begrijpen, noemt Mayer-Schönberger de big data camera als voorbeeld. ‘Bij een normale fotocamera stel je scherp op een bepaald punt, bijvoorbeeld de voorgrond. Als je achteraf besluit dat de achtergrond toch belangrijker was, kun je dit niet meer wijzigen. Bij een big data camera is dit anders. Deze legt tegelijk vele datapunten vast zodat de focus ook achteraf nog gewijzigd kan worden. Dit zijn fundamentele veranderingen omdat we data op een hele nieuwe manier kunnen gebruiken.’ In de zorg vindt iets vergelijkbaars plaats. Als een patiënt met een infectie bij de dokter komt, wordt er bloed afgenomen om te kijken of het inderdaad een infectie is. We weten heel goed hoe een naald uit de hooiberg kunnen halen. ‘Maar wat als er meer naalden in de hooiberg zitten? Of als we niet de scherpste naald hebben gevonden? Kortom, hoe weten we zeker dat de juiste vragen stellen en tot de juiste diagnoses komen in de zorg? Als we de data laten praten, kunnen we het proces omdraaien.’
Voorbeeld 2: Infecties bij prematuren
Het tweede voorbeeld gaat over infecties bij prematuren. De Canadese arts Carolyn McGregor onderzocht de vroeggeboren baby’s 24/7 op honderden verschillende datapunten om te ontdekken of iets zou wijzen op een aankomende infectie. Na een data-analyse ontdekte zij een patroon. Alle vitale functies bleken 24 uur voor de komst van een infectie opeens allemaal stabiel te worden. ‘Dat gaat tegen de traditionele kennis is. We wisten niet dat we dat moesten vragen, maar met deze nieuwe kennis die de dataverzameling ons bracht, kunnen we levens redden.’
Schaduwkanten
Zorgverleners en artsen zijn vaak bang voor big data, merkt Mayer-Schönberger. ‘Het is belangrijk om deze angsten te leren kennen en verantwoordelijkheid te nemen om bijvoorbeeld de privacy van burgers te beschermen. Op dit moment is er bijvoorbeeld geen goede databeveiliging. Er zijn weliswaar stricte regels, maar van goede beveiliging is eerlijk gezegd geen sprake. Als mensen straks het vertrouwen verliezen en geen data meer af willen staan, kunnen we nooit de vruchten plukken van big data.’ Ander punt van zorg is volgens de professor onze drang om overal causale verbanden achter te zoeken. Uit een van de big data analyses die hij heeft bekeken, kwam naar voren dat oranje auto’s tijdens de levensduur minder reparatiekosten hadden. ‘Iedereen probeert direct te bedenken hoe dat kan, maar er was geen achterliggende reden. We moeten zowel met de kracht als de beperking van big data om leren gaan’, besluit Mayer-Schönberger
