Afhankelijk van wie je het vraagt, varieert de administratieve last voor zorgprofessionals van zo’n 30% tot zelfs 70% van de tijd. Mede gegeven de groeiende druk op de zorg met risico’s op burn-out, fouten en minder aandacht voor de mens als gevolg, is het van belang om de administratieve last omlaag te brengen. Hoe kunnen we AI hiervoor inzetten?

Een van de vele administratieve taken is het toekennen van DBC- en ICD-codes aan patiëntendossiers voor vooral statistische doeleinden. Op dit moment zijn er specialistisch opgeleide codeurs die handmatig alle ontslagbrieven die er in een ziekenhuis worden geschreven, voorzien van ICD-10-codes. Dit betekent het doorlezen van de brieven en daaruit afleiden wat de aandoening en behandeling waren. Dit kost veel tijd en naast dat het aantal brieven verre van af zal nemen, neemt het aantal codeurs wel af.

Inzet van Artificiële Intelligentie

Artificiële Intelligentie (AI) wordt nu ingezet om codeurs, en in de toekomst bijvoorbeeld ook behandelend artsen, te ondersteunen in het coderen van patiëntendossiers door een groot deel hiervan te automatiseren en voorstellen te doen in gevallen dat het AI-model zelf niet met genoeg zekerheid een code kan toekennen.

Dit wordt gedaan door een AI-model (gebruikmakende van Natural Language Processing) te trainen op eerder gecodeerde dossiers van meerdere ziekenhuizen, zodat het van zoveel mogelijk diverse voorbeelden kan leren voor optimale resultaten, bredere inzetbaarheid en een hogere lastenverlichting. Op deze manier kunnen codeurs of artsen substantieel tijd besparen.

Welke technieken zetten we hiervoor in?

Om een AI-model op basis van privacygevoelige data als patiëntendossiers te kunnen ontwikkelen en deze op een begrijpelijke en transparante manier in te zetten, is er door Landscape een aantal essentiële bouwstenen ontwikkeld:

• Pseudonimisatie van patiëntengegevens om met de data te kunnen werken zonder privacy te schenden.
• Federated Learning (element van de Personal Health Train) om te leren van meerdere zorginstellingen, zonder dat gevoelige data uitgewisseld hoeven te worden.
• Explainable AI geeft eindgebruikers inzicht en vertrouwen in de gemaakte keuzes van een model door aan te geven op welke basis deze keuzes gemaakt zijn. Dit kan worden ingezet voor casussen waarin taken niet volledig geautomatiseerd kunnen worden en het model als ondersteuning dient.
• Active Learning wordt ingezet wanneer er onvoldoende (kwalitatieve) gelabelde data beschikbaar is (wat vaak het geval is). Via Active Learning kan bestaande domeinkennis efficiënt en minimaal-invasief worden ingezet om een model te trainen tijdens reguliere werkzaamheden.
• Question Answering voor het extraheren van (gestructureerde) data uit vrije tekst.
• Domeinspecifieke taalmodellen die toegespitst zijn op de zorg, EPD- en/of ECD-data, zodat deze gemakkelijk voor verschillende toepassingen in dit domein ingezet kunnen worden zonder extra tijd en met betere performance.

De voordelen en resultaten

Op dit moment is een model ontwikkeld dat ongeveer de helft van de dossiers net zo accuraat als menselijke codeurs automatisch van een ICD-10 code kan voorzien. Bij de rest wordt de codeur voorzien van voorstellen, wat het codeerwerk versimpelt en waar het model verder mee getraind wordt. Er zullen meer ziekenhuizen aansluiten, zodat het model op meer, representatieve data getraind kan worden voor nog bredere inzetbaarheid, representatie van de werkelijkheid en zo nog betere performance. Zo kan het model in 2022 gekoppeld worden aan patiëntendossiers (EPD’s) om ingezet te worden voor de Landelijke Basis Ziekenhuis-registratie.

Toekomstige toepassingen

De genoemde bouwstenen worden ook ingezet voor lastenverlichting bij verslaglegging in de ouderenzorg. Hiertoe vindt een pilot plaats voor automatische data-extractie uit patiëntendossiers om dubbele registratielast te voorkomen.

Landscape is in gesprek met verschillende (huis)artsen en zorgprofessionals die voor hun dagelijkse zorgpraktijk of onderzoek op zoek zijn naar oplossingen om de administratieve last (door verslaglegging, coderen, diagnosticeren, lezen, data structureren, etc.) te verminderen. “We zijn nog altijd op zoek naar meer verhalen, ervaringen en behoeften op dit gebied. Deze bouwstenen zijn namelijk gemakkelijk in te zetten voor verdere toepassingen”, aldus Erwin Haas van Landscape.

Mede mogelijk gemaakt door:

Voor deze toepassing voor het AI-ondersteund coderen van ICD-10 diagnosecodes wordt samengewerkt met Dutch Hospital Data (DHD), het HagaZiekenhuis, Zorgsaam, Maasstad Ziekenhuis, Streekziekenhuis Koningin Beatrix (SKB), LUMC en Slingeland Ziekenhuis.

Meer informatie:

Geïnteresseerd? Bezoek voor meer informatie de website van Landscape (www.wearelandscape.nl). Of neem contact op met Erwin Haas.

Volg ook ons netwerk voor data specialisten op LinkedIn!