Zo gaat AI écht het verschil maken in de zorg

Dit interview met collega Pim Volkert verscheen eerder via de Nederlandse Vereniging van Ziekenhuizen (NVZ), mede-oprichter van DHD, en delen wij hier graag opnieuw.

Kwalitatief goede data is cruciaal voor het succes van Artificial Intelligence (AI) in de zorg. SNOMED en de Diagnose- en Verrichtingenthesaurus zijn belangrijke middelen om dit te bereiken. Dat is een boodschap die Pim Volkert niet genoeg kan herhalen. Volkert is strategisch adviseur registratiestandaarden bij DHD. Daarnaast is hij betrokken bij de opleiding klinische informatica aan de TU Eindhoven. Hij is al een groot deel van zijn loopbaan bezig met klinische data en standaardisatie.

AI wordt vaak gepresenteerd als een middel om tijd te besparen. Denk aan spraakgestuurd rapporteren met automatische samenvattingen van patiëntgesprekken. “Ja, dat klopt, maar de echte winst zit in effectiviteit”, zegt Volkert. “AI kan artsen gaan ondersteunen bij beslissingen, bijvoorbeeld door behandelopties voor te stellen op basis van patiëntkenmerken en medische kennis. Dat leidt tot betere behandelkeuzes en kortere ligduur." Maar zover zijn we nog niet.

Hij ziet AI als een essentieel onderdeel van een lerend zorgsysteem. Gezondheidsdata wordt vastgelegd in het epd en ingezet met AI-toepassingen, zoals spraakgestuurd rapporteren en coderen. Goede data in voor AI-toepassingen in beslisondersteuning zorgen voor effectievere zorg (zie praatplaat hieronder, de zogenaamde ‘korte loop’). Gezondheidsdata wordt ook gebruikt als input voor onder ander wetenschappelijk onderzoek, kwaliteitsregistraties en interne benchmarking. Op die manier draagt ze via de ‘lange loop’ uit de praatplaat weer bij aan de verdere ontwikkeling van de medische praktijk.

Zo’n lerend zorgsysteem kan alleen bestaan bij de gratie van kwalitatief hoogwaardige data. Zonder hoogwaardige data is betrouwbare analyse en hergebruik van gegevens ondoenlijk. "AI kan het beste functioneren als de data waarop het werkt, zo eenduidig en gestructureerd mogelijk is vastgelegd. Op een manier die voor software begrijpelijk is. Vrije tekst in elektronische patiëntendossiers (epd’s) is voor artsen vaak duidelijk, maar voor AI lastig te interpreteren. Dat brengt risico’s met zich mee, denk aan medicatievoorschriften. Daarom is het essentieel dat we werken met discrete data en uniforme terminologie. Als je gezondheidsdata vastlegt op een manier die de computer begrijpt en die ervoor zorgt dat hergebruik mogelijk is voor alle toepassingen die in de praatplaat worden genoemd, dan draagt het optimaal bij aan het lerend zorgsysteem.”

Hoe dragen SNOMED, de Diagnosethesaurus (DT) en de Verrichtingenthesaurus (VT) bij aan deze ontwikkelingen? Volkert: "DT en VT sluiten aan bij de taal van de arts. Ze vormen de zogenaamde interface-terminologie. Ze bevatten het jargon van zorgprofessional en zijn gekoppeld aan SNOMED. SNOMED is de internationale referentieterminologie die zorgt voor formele, eenduidige codering en uitwisseling tussen systemen. Samen maken ze het mogelijk dat gegevens niet alleen correct worden vastgelegd, maar ook hergebruikt kunnen worden voor logistiek, financiën en AI-toepassingen." Artsen hoeven dus geen ‘SNOMEDs’ te schrijven of spreken, de DT en VT zorgen voor een soort vertaling die te begrijpen is voor medici.

Volkert is dan ook verheugd dat steeds meer ziekenhuizen de VT implementeren en inzien dat de VT een randvoorwaarde wordt om te profiteren van AI-ontwikkelingen. Hij geeft aan dat het voor leveranciers niet mogelijk is met allemaal lokale coderingen te werken. Zij gebruiken dan ook al snel de internationale SNOMED-termen en codes. Voor verpleegkundige gegevens zijn vergelijkbare trajecten gaande met NANDA en ICNP, die internationaal aan SNOMED worden gekoppeld.

Volkert geeft aan dat eenheid van taal ook essentieel is voor hoogwaardige trainings- en validatiedata, die nodig zijn voor de ontwikkeling van betrouwbare AI-modellen. “Het huidige model, waarbij AI-leveranciers per ziekenhuis of zelfs per afdeling pilots uitvoeren, is inefficiënt. Niet in de laatste plaats voor de betrokken zorgverleners. Centrale datasets en gouden standaarden zijn nodig. Samenwerking met medisch specialisten en softwareleveranciers is cruciaal om betrouwbare AI te ontwikkelen. Uiteindelijk zou een keurmerk voor AI-software een logische stap zijn." Hij wijst daarom op initiatieven zoals het RIGH:T-consortium, dat werkt aan validatiemethodieken voor AI. “Alleen zo kan AI breed inzetbaar worden en voorkomen we dat modellen slechts lokaal bruikbaar zijn.”

De DT, VT en SNOMED zijn belangrijke voorwaarden om tot Eenheid van Taal te komen, maar niet de enige. Volkert: "Het is niet alleen een technische kwestie, maar ook een gedragsvraagstuk. Artsen moeten overtuigd worden om data gestructureerd vast te leggen. Interfaces moeten zo gebruiksvriendelijk zijn dat werken met DT, VT en daarmee ook SNOMED vanzelfsprekend wordt." Hij wijst erop dat AI kan hierbij helpen door automatisch coderingen uit gesprekken af te leiden en voor te stellen. Hoewel deze technologie nog in ontwikkeling is, kan ze artsen verder ontlasten en tegelijk de kwaliteit van data verbeteren.

Kortom, besluit Volkert, kwalitatief hoogwaardige data is geen detail, maar een randvoorwaarde voor betrouwbare AI in de zorg. Met SNOMED, VT en DT als fundament kan AI bijdragen aan zowel efficiëntie als effectiviteit, en daarmee aan betere zorg voor patiënten.