Het halen van waardevolle inzichten uit elektronische medische dossiers is vaak nog net zo moeilijk als het geval was bij de papieren versies van een EPD. Maar dit kan binnenkort veranderen, zo bleek uit een recent afgerond onderzoek. Hierin leerde een kunstmatige intelligentie-toepassing om medische afkortingen en aantekeningen vol jargon te interpreteren.
Het bekijken van een medisch dossier van een patiënt om hun gezondheid te beoordelen, een diagnose te stellen of een behandeling te plannen, is een van de meest tijdrovende onderdelen van een medische afspraak. Dit frustreert veel zorgprofessionals, die vaak moeten doorklikken om de tijdlijn van een bepaalde parameter uit de testresultaten te leren kennen of de bevindingen van een andere medisch adviseur te lezen. Het divers gebruik van medisch jargon vergroot de complexiteit.
Kostbare tijd
Zelfs artsen die goed thuis zijn in IT-systemen, hebben tijd nodig om van tabblad naar tabblad te gaan, de aantekeningen van andere artsen of verpleegkundigen te bestuderen, handmatig cijfers te vergelijken en gegevens in hun hoofd te analyseren. Het vinden van de gewenste informatie of tot een al beschikbare diagnose komen, snoept kostbare minuten af van elke medische afspraak.
Softwareleveranciers in de gezondheidszorg proberen dit probleem op te lossen door dashboards te introduceren die een transparant overzicht van kritieke gegevens weergeven. Dergelijke dashboards presenteren gestandaardiseerde gegevens – zoals bevindingen van laboratoriumtests – als duidelijke grafieken, terwijl recent voorgeschreven medicijnen en interacties in een aparte tabel worden weergegeven.
Helaas zit een groot deel van de waardevolle kennis gevangen in de losse aantekeningen van een arts. Sinds die digitaal zijn geworden, is hun duidelijkheid verbeterd. Maar dit heeft alleen betrekking op visuele duidelijkheid. Elke arts heeft zijn of haar eigen manier van noteren en haastig noteren resulteert in tal van grammaticale fouten, afkortingen en vakspecifiek jargon. Paradoxaal genoeg bevatten deze aantekeningen belangrijke nuances die niemand leest.
Uitdaging voor AI
Computers en kunstmatige intelligentie (AI) kunnen heel goed omgaan met uniforme data-analyse. Maar zelfs voor de meest geavanceerde algoritmen is het een uitdaging om aantekeningen te begrijpen. Modellen die in het ene ziekenhuis worden gebruikt, falen vaak in het andere. Een universeel AI-model zou de perfecte oplossing zijn.
Dit is waar onderzoekers van MIT Computer Science & Artificial Intelligence Laboratory (CSAIL) aan werken. Ze willen taalkundige modellen creëren die de extrapolatie van belangrijke informatie uit losse notities met afkortingen, jargon en acroniemen vergemakkelijken. De onderzoekers denken dat artsen zo gegevens beter kunnen gebruiken die zijn verzameld in zelden gelezen, moeilijk te interpreteren aantekeningen.
Een systeem voor het verwerken van natuurlijke medische taal moet zeer nauwkeurig zijn en immuun voor de enorme diversiteit aan gezondheidsgerelateerde datasets. Dergelijke AI-modellen bereiken 86 procent prestatieniveaus in termen van leesnauwkeurigheid van acroniemen. Het MIT-team heeft aanvullende methoden voorbereid die dat cijfer verhogen tot 90 procent.
Veelgebruikt jargon
Er zijn veel veelgebruikte afkortingen in medisch jargon. De huidige versie van het woordenboek voor medische afkortingen en acroniemen bevat maar liefst 600.000 vermeldingen. Als er meerdere afkortingen achter elkaar voorkomen, koppelt het AI-model ze aan elkaar – net zoals het menselijk brein informatie verwerkt. Vandaar de naam van de technologie: natuurlijke taalverwerking (NLP - natural language processing). Het resultaat, in de vorm van ‘vertaalde’ zinsstructuren, wordt vervolgens geanalyseerd en de betekenis geverifieerd. Die wordt vervolgens geordend in de vorm van heldere interpretatie. Deze fase wordt nabewerking genoemd.
Een voorbeeld: een arts wil weten waarom patiënt X medicijn Y gebruikt. De arts voert zijn vraag in het systeem in. Om het te beantwoorden, bladert het AI-model door de algemene gegevens en geeft het de oorzaak van het innemen van dat medicijn dat het meest voorkomt, maar alleen statistisch gezien. Er kan een ingewikkelder interferentiepad worden geforceerd, een pad dat algemene informatie over medicijngebruik koppelt aan de tekstnotities in het medisch dossier van de patiënt. De andere methode maakt gebruik van een hoge mate van personalisatie, aangezien het innemen van geneesmiddel Y in verband kan worden gebracht met andere bijkomende ziekten.
Het voorbereiden van geschikte algoritmen voor het analyseren van teksten met verschillende invoerformaten is één mogelijk onderzoeksrichting. Een andere is om aantekeningen te rangschikken tijdens hun voorbereiding. Op dit gebied werken onderzoekers aan natuurlijke taalverwerkingssystemen (NLP) die gegevens extraheren uit gesprekken tussen de arts en de patiënt. De gegevens worden dan automatisch ingevoerd in het EPD. Een soortgelijk mechanisme kan toegepast worden op handgeschreven tekst. Hierbij kan het AI-systeem in realtime formuleringen vastleggen, terwijl de arts ze alleen hoeft te verifiëren.
Weinig verwachtingen
Uit een onderzoek van M&I/Partners uit mei 2022 bleek dat ziekenhuizen op korte termijn nog weinig verwachtingen hebben van de inzet van AI voor NLP (natuurlijke taalverwerking). De in het onderzoek bevraagde CIO’s en CMIO’s hebben op korte termijn de hoogste verwachting van beeldherkenning, beslisondersteuning en patroonherkenning voor AI-toepassingen. Pas op lange termijn komen daar natural language processing, robotica en process mining bij.
Lees het hele artikel op ICT&health International.
