Voortgang project AI-ondersteund coderen

Toekomstbestendig coderen 

Het project AI-ondersteund coderen ging in 2020 van start. Samen met de ziekenhuizen werken we toe naar een toekomstbestendige manier van coderen. Voor alle opnamen die betrouwbaar gecodeerd kunnen worden met behulp van een getraind algoritme, hoeft de medisch codeur geen handmatig werk meer te verrichten. De expertise van de medisch codeur kan dan worden ingezet waar deze het meest nodig is, bijvoorbeeld bij complexe codeervraagstukken. Op deze manier kunnen de ziekenhuizen en andere stakeholders – in een tijd waarin de beschikbaarheid van medisch codeurs terugloopt – gebruik blijven maken van (LBZ-)data die volledig en betrouwbaar zijn gecodeerd.

Stand van zaken: 50% automatisch 

Het afgelopen jaar lag de focus in het project op het coderen van de hoofddiagnosen van dagopnamen. Het resultaat op dit moment: circa 50 procent van de dagopnamen kan automatisch van een betrouwbare hoofddiagnose worden voorzien. 

Hiervoor is een model getraind op basis van gestructureerde informatie (denk aan zorgactiviteiten en behandelende specialismen) en ongestructureerde informatie (zoals ontslagbrieven, polibrieven, PA-verslagen en OK-verslagen). Voor de training hebben zes ziekenhuizen lokaal een server ingericht, die verbonden is met een centrale server. Elk ziekenhuis heeft vijf volledige registratiejaren aan dagopnamen beschikbaar gesteld; deze data blijven dus binnen het eigen ziekenhuis.

Training en ontwikkeling van het model

In de eerste stap van de training van het model wordt voor elke opname een pakketje samengesteld met alle informatie die relevant is voor die opname. Aan de hand van het opnamespecialisme en de opnamedatum worden de brieven en verslagen geselecteerd die door dat specialisme zijn gepubliceerd of aangevraagd voor de patiënt. Vervolgens gaat het AI-algoritme aan de slag. Het model zoekt naar patronen in de data op basis van de samengestelde pakketjes met broninformatie en de ICD-10-codes die in het verleden door de medisch codeur zijn vastgelegd. Door dit toe te passen op talloze opnamen leert het model om de termen in de documenten te herkennen die wijzen op een specifieke aandoening. Als het model in ziekenhuis 1 is getraind, verhuist het naar het volgende ziekenhuis om bij te leren. Dit wordt federated learning genoemd.

Voorbeeld: Als bij een kind buisjes worden geplaatst door het specialisme KNO, worden er na de opname vaak een OK-verslag en ontslagbrief gepubliceerd. Komen in deze documenten de woorden ‘chronische sereuze otitis media’ terug, dan weet het model dat diagnosecode H65.2 moet worden gecodeerd. 

Om de codeerkwaliteit van het model te waarborgen, voeren de code-experts van DHD steekproefsgewijs controles uit. Waar nodig wordt het model dan bijgestuurd. 

Op naar de volgende fase 

Maarten Zaal, projectleider bij DHD, kijkt uit naar de volgende fase van het project: ‘We zien al heel concrete resultaten, maar tegelijkertijd is er nog veel meer winst te behalen in het automatisch coderen van diagnosen. Ook zijn er nog diverse uitdagingen op te lossen. We gaan hier samen met de deelnemende ziekenhuizen mee aan de slag. Zij hebben inmiddels bijna allemaal aangegeven opnieuw tijd en geld te willen investeren in dit project.’ 

In de volgende fase wordt het model voor de dagopnamen nog verder verbeterd, bijvoorbeeld door nieuwe verslagen toe te voegen voor de training van het algoritme. Voor het specialisme MDL zijn dat scopieverslagen en voor Cardiologie de CAG- en PCI-verslagen. Daarnaast wordt het model in deze fase ook getraind voor het coderen van de hoofd- en nevendiagnosen bij klinische opnamen. 

Het model wordt in deze fase geïmplementeerd in alle ziekenhuizen die deelnemen aan het project. Dan kan het model op grote schaal in de praktijk worden gebruikt. 

Meer informatie of deelnemen aan het project?

Neem contact met ons op via 030 799 61 65 of info@dhd.nl. We vertellen u graag meer!