Medical Intelligence in de zorg: inzichten van Roel van Reij

Wat is medical intelligence?  

Onder medical intelligence verstaan we ondersteuning van zorgverleners met slimme, AI-gedreven oplossingen. Het woord ondersteuning is belangrijk. Want waar in andere domeinen AI soms zelfstandig beslissingen neemt, zal bij medical intelligence altijd een mens meekijken; een arts of verpleegkundige die de beslissing neemt. Een goed voorbeeld is een algoritme dat op basis van risicoprofielen de kans voorspelt dat er na een operatie complicaties gaan optreden.    

Medical intelligence moet ook altijd transparant zijn. Dat noemen we ook wel explainable AI. Het moet volledig helder zijn hoe het algoritme tot een bepaald advies komt. Dat betekent niet dat je in de zorg helemaal geen deep neural networks (zogenaamde black boxes) kunt inzetten. Die kunnen eventueel van meerwaarde zijn om volledig nieuwe verbanden te ontdekken in hele grote datasets. Maar dan is de vervolgstap altijd om via onderzoek een verklaring voor die verbanden te vinden, zodat vervolgens bij de toepassing van de nieuwe inzichten in de klinische praktijk een white box kan worden gebruikt. 

Wat zijn de voordelen van medical intelligence?  

Medical intelligence wordt gebruikt om de drie grote problemen in de zorg aan te pakken: het personeelstekort, de groeiende zorgvraag en de stijgende kosten. Door het bieden van beslisondersteunende AI kunnen artsen en verpleegkundigen sneller een betere beslissing nemen. De al genoemde computer vision-algoritmen die veel worden gebruikt op afdelingen als Radiologie en Pathologie zijn hier een voorbeeld van.  

Ook kan AI helpen om de administratielast te verminderen, denk bijvoorbeeld aan de inzet van ‘speech to text’, waarbij een verpleegkundige een gemeten waarde simpelweg inspreekt in plaats van intypt. Of aan conversational AI, dat op basis van het gesprek de actiepunten voor een arts samenvat en een lekenbeschrijving maakt voor de patiënt, met doorverwijzingen naar webpagina’s met meer uitleg over de ziekte en de behandeling. Of nog een stap verder: een chatbot waar de patiënt vragen aan kan stellen die hij anders zou stellen aan de arts of verpleegkundige. Uiteraard kijkt, zoals net al benoemd, altijd een mens mee. 

Wat maakt medical intelligence complex?  

In de eerste plaats zorgen de vele verschillende systemen en het gebrek aan standaarden voor veel data-eilandjes: de data van patiënten staat verspreid over veel verschillende systemen. Daarom is het voor een ziekenhuis al extreem moeilijk om de ‘verknipte patiënt’ weer heel te maken in het datawarehouse. Laat staan dat je informatie van verschillende schakels in de zorgketen centraal kunt ontsluiten en analyseren. Daarnaast is domeinkennis onontbeerlijk. Je moet heel goed weten welke data relevant zijn bij het stellen van een diagnose of nemen van een beslissing. En je moet weten hoe die data zich tot elkaar verhoudt. Is bijvoorbeeld een bepaalde gevonden bloedwaarde de oorzaak van een ziekte of het gevolg van bepaald medicijngebruik? Tot slot is de context bepalend voor de relevantie van de ontwikkelde AI-oplossing. Een voorspellend algoritme dat heel goed functioneert in een Randstedelijk UMC zou bij de patiëntenpopulatie van een regionaal ziekenhuis in Limburg of Drenthe wel eens geen enkele voorspellende waarde kunnen hebben.  

Medical Intelligence in de praktijk 

Een mooie toepassing van AI is een dashboard dat Conclusion Mediaan ontwikkelde voor een ziekenhuis in Zuid-Oost Nederland. Het voorspelt op basis van statistische simulaties de patiëntenbewegingen binnen het ziekenhuis. De vraag hiervoor ontstond tijdens de coronapandemie. Toen bleek hoe cruciaal het voor ziekenhuizen is om de beddencapaciteit goed te voorspellen. Ook nu, in een periode van inhaalzorg, is de beddencapaciteit een cruciaal gegeven bij het plannen van operaties. Om inzicht te creëren in de in-, door- en uitstroom van patiënten heeft Conclusion Mediaan een dashboard ontwikkeld dat op basis van grote hoeveelheden in- en externe data (bijvoorbeeld ook CBS-data over de patiëntenpopulatie en weerdata) de bedbezetting op verschillende afdelingen voorspelt. Het model voorspelt niet alleen het aantal opgenomen patiënten per afdeling en specialisme, maar geeft ook onder- en bovengrenzen aan met een zekere mate van betrouwbaarheid. Zo kan het ziekenhuis strategisch plannen voor worstcase scenario’s.