Voor ziekenhuizen is het belangrijk om zoveel mogelijk inzicht te krijgen in de zorgvraag van patiënten. Dat geldt ook voor de spoedeisende hulp. Ongelukken zijn uiteraard moeilijk te voorspellen, maar het risico op een SEH-bezoek van mensen die, bijvoorbeeld, een chronische aandoening of ongezonde levensstijl hebben, is dat wel. In Schotland is daarvoor nu getest met een AI-tool. Daarmee moet nauwkeuriger voorspelt kunnen worden welke patiënten met spoed in een ziekenhuis moeten worden opgenomen.
De AI-tool is ontwikkeld als update voor de vierde versie van een bestaande tool, SPARRA (Scottish Patients At Risk of Readmission and Admission). Uit tests is inmiddels gebleken dat de toevoeging van de AI-tool het voorspellen van SEH-opnames nauwkeuriger is geworden. De ontwikkeling van de AI-tool is een samenwerking tussen de universiteiten van Edinburgh en Durham en Public Health Scotland. Net als in veel andere landen leggen spoedeisende ziekenhuisopnames een grote druk op de gezondheidszorg. In Schotland is ongeveer de helft van alle ziekenhuisverblijven een spoedopname.
Getraind met miljoenen medische dossiers
Het team gebruikte medische dossiers van 4,8 miljoen inwoners van Schotland, verzameld tussen 2013 en 2018 en bewaard door Public Health Scotland. De dossiers bevatten informatie die routinematig wordt verzameld door zorgverleners, zoals de geschiedenis van de patiënt, gegevens over recepten en eerdere ziekenhuisopnames.
“In een tijd waarin gezondheidszorgsystemen onder grote druk staan, hopen we dat de beschikbaarheid van robuuste en reproduceerbare risico voorspellende scores zoals SPARRAv4 zal bijdragen aan het ontwerp van proactieve interventies die de druk op gezondheidszorgsystemen verminderen en de gezonde levensverwachting verbeteren,” zegt Dr. Catalina Vallejos, de MRC Human Genetics Unit van de Universiteit van Edinburgh.
12 maanden vooruit voorspellen
Experts gebruikten machine learning-technieken om de dataset te analyseren en ontwikkelden SPARRAv4 om te voorspellen welke patiënten binnen een periode van 12 maanden spoedeisende zorg in het ziekenhuis nodig zouden kunnen hebben. SPARRAv4 bleek niet alleen in staat om meer spoedopnames correct te voorspellen, maar kon ook van individuele patiënten beter het risico op een mogelijke SEH-opname inschatten.
Onderzoekers benadrukken dat de tool weliswaar zal dienen als kritisch hulpmiddel, maar niet als vervanging van het essentiële klinische oordeel van medische professionals. Public Health Scotland zal het bijgewerkte model gaan promoten en in gesprek gaan met professionals in de gezondheidszorg om de wijdverspreide toepassing ervan in Schotland aan te moedigen.
“AI en machine learning zijn afhankelijk van grote hoeveelheden gegevens van hoge kwaliteit en veilige platforms. Dankzij de uitzonderlijke datacuration van Public Health Scotland heeft deze onderzoekssamenwerking een model ontwikkeld waar het publiek veel baat bij kan hebben. Dit laat zien hoe big data hulpmiddelen kunnen creëren om medische professionals te ondersteunen bij het identificeren van patiënten die baat zouden kunnen hebben bij vroegtijdige interventie,” zegt Dr. Louis Aslett, universitair hoofddocent statistiek aan de Durham University.
Ook in Nederland wordt al gebruik gemaakt van AI om een beter inzicht te krijgen in de te verwachten drukte op SEH of AOA. Zo ontwikkelde het AI-expertisecentrum van het LUMC voor de Acute Opname Afdeling een opnamevoorspeller. Met behulp van AI voorspelt de tool hoeveel patiënten van de Spoedeisende Hulp naar de Acute Opname Afdeling gaan. Daarvoor neemt het AI-model allerlei variabelen uit het patiëntdossier mee.
