AI verwerkt medische aantekeningen automatisch in medisch dossier

Fujitsu introduceert een nieuwe op kunstmatige intelligentie (AI) gebaseerde oplossing die helpt ongestructureerde medische aantekeningen sneller te verwerken in het medisch dossier van een patiënt. Het bedrijf stelt dat dit proces met behulp van de oplossing tot 90% kan worden versneld.

Gestructureerde informatie speelt een cruciale rol in medische besluitvorming en de zorg in het algemeen. Medische professionals staan echter onder steeds grotere tijdsdruk en hebben per patiënt steeds minder tijd te besteden. Tegelijkertijd wordt van medisch professionals verwacht dat zij medische aantekeningen direct verwerken in het medische dossier van de patiënt, iets wat al snel vijftien minuten per patiënt in beslag neemt. De oplossing stroomlijnt dit proces door hiervoor flexibelere mogelijkheden te bieden en dit proces in belangrijke mate te automatiseren.

Meer tijd voor de patiënt

Zo kunnen artsen en zorgverleners met behulp van de oplossing hun medische aantekeningen geautomatiseerd laten analyseren en opnemen in het medische dossier van de patiënt. Zij zijn hierdoor minder tijd kwijt aan het bijwerken van dit dossier en kunnen meer tijd besteden aan de patiënt, bijvoorbeeld om meer bruikbare gegevens over de patiënt te verzamelen.

De nieuwe technologie is door Fujitsu aangekondigd op de jaarlijkse Fujitsu Innovation Gathering in het Britse Londen. De technologie combineert semantische kennis en Natural Language Processing (NLP) met deep learning om niet alleen medische aantekeningen te herkennen, maar hier ook waarde uit te kunnen destilleren.

Er zijn overigens al langer oplossingen beschikbaar die het mogelijk maken medische aantekeningen geautomatiseerd te verwerken in medische dossiers. Deze oplossingen kennen volgens Fujitsu echter hun beperkingen. Zo moeten zorgverleners hun aantekeningen op een specifieke manier opstellen om deze begrijpelijk te maken voor deze software. Dit is bij de AI-oplossing van Fujitsu niet nodig; de oplossing kan worden getraind om te voldoen aan specifieke behoeften van gebruikers. Dit geeft zorgverleners meer flexibiliteit en zorgt volgens Fujitsu dat data veel nauwkeuriger wordt opgenomen in medische dossiers. 

‘Meetbare verbeteringen’

Binnen het project werkt Fujitsu nauw samen met partners in de zorg, waaronder het San Carlos Medisch Centrum. “We zoeken constant nieuwe manieren om klinische besluitvorming te verbeteren, en ons werk met Fujitsu Laboratories of Europe helpt ons belangrijke stappen vooruit te zetten in het verbeteren van de efficiëntie. De meeste systemen voor elektronische medische dossiers voldoen niet aan de eisen van de dokter-patiëntrelatie. Sterker nog: het gebruik van elektronische medische dossiers wordt in verschillende onderzoeken direct gekoppeld aan klinische burn-outs. Met nieuwe technologieën zoals Fujitsu’s nieuwste AI gebaseerde ’text mining’ software kunnen we deze uitdagingen direct te lijf gaan en meetbare verbeteringen realiseren in medische besluitvorming”, aldus Dr. Julio Mayol, Chief Medical Officer, van het San Carlos Medisch Centrum. 

Dr. Adel Rouz, Chief Executive Officer van Fujitsu Laboratories of Europe, zegt: “Onze co-creatiestrategie met partners zoals het San Carlos Medisch Centrum heeft ons belangrijke inzichten opgeleverd in de uitdagingen waar de zorg voor staat, met name bij het ondersteunen van klinische besluitvorming. We zijn erin geslaagd een aantal belangrijke innovaties te realiseren die ons helpen een verschil te maken in de workflow van medische professionals. Deze laatste ontwikkeling is een volgende stap en helpt ons de nauwkeurigheid van klinische gegevens te verbeteren en de digitalisering van ziekenhuizen, zorgverzekeraars en overheidsdiensten te automatiseren. We verwachten dat onze technologie brede toepassingen kent en eenvoudig kan worden aangepast om vergelijkbare uitdagingen in andere domeinen zoals verzekeringen, juridisch en compliance op te lossen.”

IBM Watson

Fujitsu is niet de enige partij die AI inzet in de zorg. Zo introduceerde IBM in 2014 Watson, die tijdens een presentatie erin slaagde een reeks symptomen van een patiënt te analyseren en op basis hiervan een aantal mogelijke diagnoses te geven. Bij ieder van deze diagnoses werd een zekerheidspercentage genoemd en ter onderbouwing verwezen naar medische bronnen. 

Watson is sindsdien verder ontwikkeld, waarbij succesvolle en minder succesvolle resultaten zijn geboekt. Zo slaagde IBM Watson er in 2017 in genoomdata 960 keer sneller te analyseren dan tot dan mogelijk was. Er waren echter ook minder grote successen. Zo blijkt uit documenten die de website STAT in handen heeft gekregen dat een samenwerking tussen het Memorial Sloan Kettering Cancer Center en IBM Watson voor het diagnosticeren en behandelen van kankerpatiënten niet tot succes heeft geleid. Volgens de documenten zou IBM Watson regelmatig verkeerde adviezen hebben gegeven. 

Verschillende artsen en hoogleraren uitten begin dit jaar tegenover IEEE Spectrum kritiek op IBM Watson. Een voorbeeld is Herbert Chase, hoogleraar Medische Wetenschappen en Biomedische Informatica van de Columbia University. Chase was eerder zelf betrokken bij de initiële ontwikkeling van Watson.  “Artsen – zeker zij die aan de frontlinie staan, de eerstelijns zorg – gaan iedere dag aan het werk met de wetenschap dat zij onmogelijk alles kunnen weten wat zij nodig hebben om de beste, meest efficiënte en meest effectieve zorg te kunnen leveren”, aldus Chase. 

De AI zou zijn belofte om de medische sector te veranderen niet waarmaken. Chase zegt dan ook teleurgesteld te zijn in de langzame ontwikkeling van IBM Watson op het gebied van zorg. “Ik ben niet op de hoogte van spectaculaire homeruns”, aldus de hoogleraar.

DeepMind

Ook DeepMind, onderdeel van Google’s moederbedrijf Alphabet, werkt aan AI voor de zorg. In samenwerking met het Moorfields Eye Hospital in de Britse hoofdstad Londen heeft DeepMind een AI-systeem ontwikkeld dat vijftig oogziektes net zo nauwkeurig kan diagnostiseren als gespecialiseerde oogartsen. Het systeem helpt te bepalen van welke behandeling patiënten het meeste profijt zullen hebben en met welke prioriteit patiënten moeten worden behandeld. 

Auteur: Wouter Hoeffnagel