Artificiële Intelligentie (AI) is helemaal hot. Veel mensen denken dat het de toekomst van de zorg in het algemeen en het gezondheidsinformatiestelsel in het bijzonder, zal gaan verbeteren. Maar er staan ook mensen sceptisch tegenover deze ontwikkelingen. In een serie van blogs geven we je grip op het onderwerp AI. Met concrete voorbeelden laten we zien wat er allemaal voor handen is en wat jij en jouw organisatie daaraan kunnen hebben op de werkvloer. We beschrijven eventuele obstakels en geven daarvoor mogelijke oplossingsrichtingen. Daarbij zijn we ook benieuwd naar jouw ervaringen en geleerde lessen. Laten we elkaar slimmer maken.
Registratielast: AI-toepassingen als wondermiddel?
Artificiële Intelligentie heeft de belofte in zich om de registratielast binnen de gezondheidszorg te verminderen. De eerste pilots en initiatieven laten in Nederland waardevolle resultaten zien. Ook in het buitenland zien we goede voorbeelden. Van breed gebruik is echter nog geen sprake. Wat zijn dan die goede voorbeelden? Zijn deze AI-toepassingen eigenlijk wel te vertrouwen? Zijn ze schaalbaar binnen de zorg en gezondheidszorg? En hoe kunnen we breed gebruik van dit soort AI-toepassingen op korte en lange termijn versnellen?
Een voorbeeld uit de praktijk
Een van de vele administratieve taken is het toekennen van DBC- en ICD-codes aan patiëntendossiers voor met name statistische doeleinden. Op dit moment zijn er specialistisch opgeleide codeurs die handmatig alle in het ziekenhuis geschreven ontslagbrieven voorzien van ICD-10-code. Dit betekent het doorlezen van de brieven en daaruit afleiden wat de aandoening en behandeling waren. Dit kost veel tijd. Bovendien neemt het aantal brieven toe en het aantal codeurs juist af.
Er wordt nu een AI-toepassing ingezet om codeurs en in de toekomst bijvoorbeeld ook behandelend artsen, te ondersteunen in het coderen van patiëntendossiers. Dit door een groot deel daarvan te automatiseren en, wanneer het AI-model zelf niet met genoeg zekerheid een code kan toekennen, daarvoor voorstellen te doen. Dat kan door een AI-model, dat gebruikmaakt van Natural Language Processing, te trainen op eerder gecodeerde dossiers van meerdere ziekenhuizen. Zo kan het van zoveel mogelijk diverse voorbeelden leren voor optimale resultaten, bredere inzetbaarheid en een hogere lastenverlichting. Zo kunnen codeurs of artsen substantieel tijd besparen .
Andere voorbeelden van AI-toepassingen die registratielast verminderen zijn:
- Het geautomatiseerd omzetten van vrije-tekstvelden naar gestructureerde sjablonen binnen het EPD of ECD.
- Het inzetten van een speech-to-text-applicatie om met spraak velden in het EPD of ECD te kunnen vullen.
- AI-toepassingen die komen tot optimale planning en capaciteitsvraagstukken.
- AI-aangedreven EPD’s helpen artsen ook om snellere en nauwkeurigere diagnoses te stellen, toegang te krijgen tot educatieve bronnen en afspraakherinneringen te ontvangen. Voor patiënten kunnen ze faciliteiten bieden zoals het bijvullen van recepten, beeldvorming, diagnose, immunisaties en het maken van afspraken vanuit huis.
Vertrouwen verhogen
Toch vertrouwen veel mensen dit soort registratieverlagende AI-toepassingen niet. Dat kan liggen aan het niet weten van het bestaan, eerdere slechte ervaringen met leveranciers of geen vertrouwen hebben in de kwaliteit van de data. Dit zijn onderwerpen die geadresseerd moeten worden. Toch begint het bij kennismaken en ervaren. Het zou een gemiste kans zijn als we daardoor de mogelijkheden van AI-toepassingen om de registratielast te verlagen, niet benutten.
Als we dieper inzoomen op het begrip vertrouwen, dan maken we een onderscheid tussen trust en confidence. Trust is het vertrouwen in elkaar, tussen personen en tussen betrokken partijen. Confidence gaat over het vertrouwen in de data zelf, in de kwaliteit van data en de werking van applicaties.
Wat kunnen we doen om de trust tussen partijen verhogen?
- Durf van elkaar te leren. Ga kijken bij die zorgaanbieder, die al gebruikmaakt van registratieverlagende AI-toepassingen. Neem de bestuurder, ICT-manager, arts en verpleegkundige ook mee. Kijk anders op de nlaic.nl voor nog meer goede voorbeelden.
- Stap naar die start-up die bezig is met het ontwikkelen en in de markt zetten van AI-toepassingen. Leer ze kennen en ga het gesprek aan.
- Hanteer de leidraad AI in de zorg. De leidraad AI in de zorg helpt zorgverleners in alle sectoren om de kwaliteit van aangeboden AI te beoordelen en helpt ontwikkelaars om kwalitatieve, betrouwbare AI te ontwerpen en realiseren. Inzicht in criteria en bijbehorende eisen om kwaliteit van AI vanuit een zorg-perspectief te toetsen helpt bovendien vertrouwen in AI voor gezondheid te realiseren. De leidraad draagt ook bij aan uniformiteit en het proces van markttoelating en vergoeding door verzekeraars.
Wat kunnen we doen om de confidence tussen partijen verhogen?
Door vol in te zetten op de kwaliteit van gezondheidsdata. Dit is van belang om AI-toepassingen goed te trainen. Juist AI-toepassingen kunnen hierbij van waarde zijn. Zie de eerdere voorbeelden. Het inbouwen van dit soort AI-toepassingen binnen EPD, ECD en infrastructurele systemen, leidt tot een verhoging van de kwaliteit. Binnen Nictiz gaan we hiermee ervaringen opdoen en leren hoe we dit tot een breed gebruik kunnen brengen.
Ambitie Nictiz
Nictiz gaat in deze serie verkennen wat we samen kunnen doen om de trust en confidence in AI-toepassingen in Nederland te vergroten. Dat doen we natuurlijk niet alleen. We gaan het gesprek hierover starten en voor knelpunten oplossingsrichtingen aandragen. Voel je vrij om te reageren en goede voorbeelden te delen. We beginnen bij onszelf. We zijn binnen Nictiz gestart met het opzetten van een leernetwerk om AI-toepassingen integraal mee te nemen in onze adviezen en producten.