"We moeten voorkomen dat AI de nieuwe cashcow wordt voor softwaremakers"

Nederlandse ziekenhuizen hoeven niet afhankelijk te zijn van EDP-makers en techgiganten om artificial intelligence op een zinnige en betaalbare manier klinisch in te zetten. Maar dan moeten ze wel veel meer gaan samenwerken om voorspellingsmodellen, data en technologie te delen, zegt internist-nefroloog Bart-Jan Verhoeff, CMIO van ziekenhuis St Jansdal. Vier samenwerkende algemene ziekenhuizen en één topklinisch (STZ-)ziekenhuis gaan in de komende tijd al gezamenlijk aan de slag met voorspellingsmodellen op basis van eigen patiëntendata. Daar moet wel snel meer vaart in komen, zegt Verhoeff, anders raken ziekenhuizen de regie over AI-toepassingen kwijt en krijgen de softwareleveranciers een nieuwe cashcow in handen.

Verhoeff is niet je gemiddelde medisch specialist wanneer het over IT-toepassingen gaat. Hij was als middelbare scholier al meer dan gemiddeld handig met pc’s en software en kon daarbij ook nog redelijk programmeren. Dat bleek in zijn medische loopbaan een nuttige vaardigheid te zijn om data tussen systemen uit te kunnen wisselen met een zelfgemaakt stuk code of zelfs compleet nieuwe functies te maken in de software waar ziekenhuizen mee werken.

Van hype naar klinische toepassing?

Toen begrippen als AI, deep learning en neurale netwerken pakweg vijf jaar geleden in korte tijd buzzwords werden in de gezondheidszorg, had hij dus precies de juiste achtergrond om daar zelf eens hands-on mee aan de slag te gaan. “Aanvankelijk echt als geïnteresseerde liefhebber, gewoon om eens te kijken of ik zelf ook voorspellende modellen zou kunnen ontwikkelen en te begrijpen doe die AI-software op een fundamenteel niveau in elkaar steekt. Ik geloof er echt in dat je zo’n technologie beter snapt wanneer je ook onder de motorkap kijkt en je handen vuil maakt. Bovendien is het gewoon leuk om te doen.”

Verhoeff’s flirt met AI-software liep parallel met een formele uitbreiding van zijn rol binnen het ziekenhuis, waar hij inmiddels twee dagen per week als CMIO, chief medical information officer, wordt ingezet om de raad van bestuur te ondersteunen rond de strategie en de implementatie van IT-systemen, met de nadruk op de medisch-inhoudelijke aspecten van die systemen.

Aha-erlebnis

Het aha-erlebnis kwam voor Verhoeff toen hij ontdekte dat hij ook met een relatief kleine set patiëntgegevens (alleen uit Nederland en alleen zijn eigen ziekenhuis) op basis van vrij toegankelijke technologie voorspellende AI-modellen kon maken die verrassend goede uitkomsten gaven, bijvoorbeeld over de kans dat een patiënt weer wordt opgenomen na ontslag of dat de opname langer dan gemiddeld duurt.

“Onze softwareleverancier Epic biedt ook een bibliotheek met een aantal eenvoudige machine learning modellen. Die werken natuurlijk heel handig samen met de data die toch al in Epic zit. Maar het is geen rocket science om die data uit Epic te krijgen en als input voor je eigen modellen te gebruiken. De software daarvoor kan gewoon op een stevige pc draaien. En zelfs mijn eerste modellen presteerden al minimaal net zo goed of beter dan een Epic-model."

"Op zich niet onlogisch, want die zijn niet specifiek getraind met data van Nederlandse patiënten. Dat blijkt kennelijk een groot voordeel op te leveren voor de nauwkeurigheid van je model. Maar in andere gevallen bleken de Epic-modellen ook in Nederlandse situaties goed te kunnen voorspellen, vooral wanneer er vooral klinische parameters worden gebruikt, zoals bloeddruk of een laboratoriumuitslag. Dat ge-experimenteer leerde mij in ieder geval al snel dat je als ziekenhuis kritisch moet zijn op AI-modellen wanneer je ze werkelijk gaat inzetten voor klinische beslissingen. Je wilt bijvoorbeeld zeker weten dat een model of algoritme betrouwbaar is, met welke data het is getraind, en hoe je de uitkomsten mag interpreteren.”

“AI moet in het werkproces passen”

Verhoeff zag dus snel kansrijke toepassingen voor de modellen die hij met eigen patiëntdata voedde. Vanuit zijn CMIO-perspectief zag hij echter ook dat die toepassingen pas bruikbaar zouden zijn wanneer ze aan een grote set randvoorwaarden zouden voldoen.

“De integratie in het dagelijkse werkproces van de zorgaanbieder is cruciaal, anders kom je nergens”, zegt Verhoeff. “Dat betekent in de praktijk een grote mate van integratie met het elektronisch patiëntendossier. De data die je nodig hebt voor je AI-modellen komen uit Epic, en de uitkomsten van voorspellingen wil je als arts in de Epic-omgeving kunnen gebruiken. Je kunt van dokters niet verwachten dat ze bij een probleem even snel wat aanpassen of uitproberen. Het moet praktisch gezien feilloos werken. Daar zitten we nu heel dicht bij. Ook met het EPD van Chipsoft, de andere grote EPD-leverancier, wordt binnenkort deze koppeling gerealiseerd.”

Dokters moeten waarde zien

De techniek kan helemaal op orde zijn, dokters en verpleegkundigen moeten daarnaast overtuigd zijn van het nut van AI-voorspellingen in hun dagelijkse werk. Dat enthousiasme begint nu te komen in de vijf ziekenhuizen die samenwerken, zegt Verhoeff. “We hebben bijvoorbeeld een model dat na presentatie van een patiënt op de spoedeisende hulp al na een kwartier goed kan voorspellen of een patiënt wordt opgenomen, en na twee uur of die opname langer dan 48 uur duurt. Dat heeft direct een praktisch nut, omdat je eerder een waarschuwing krijgt bij een dreigende volstroom. Er zijn talloze andere toepassingen te bedenken zoals voorspellen van klinische verslechtering, complicaties na operaties en acute nierinsufficiëntie. Allemaal signaleringen die ons alerter maken op naderend onheil."

Voorspelling over opnameduur (foto credit: Natanael Melchor via Unsplash)

Artsen en verpleegkundigen herkennen direct het nut van dit type voorspellingen in hun dagelijkse werk. Naarmate de vraagstelling en de aangeboden data meer op een specifieke populatie gericht is, wordt ook het model specifieker. Modellen kunnen dus ook getraind worden voor heel specifieke vraagstellingen van deelspecialismen. Verhoeff: "Je moet als specialist wel zelf een eerste stap zetten om te onderzoeken wat de waarde van die AI is voor jouw patiëntenpopulatie. Daarbij helpt het natuurlijk enorm wanneer een collega in hetzelfde specialisme al ervaringen met je kan delen.”

Het is niet dat die AI-modellen persé zoveel slimmer of beter zijn dan menselijke zorgaanbieders, zegt Verhoeff, ze zijn in tegenstelling tot mensen extreem snel in het voortdurend beoordelen en evalueren van alle beschikbare data. Dat zorgt ervoor dat je met die voorspellingsmodellen problemen kunt voorkomen en veiliger kunt werken, en de zorg voor patiënten beter kunt organiseren.

Leren van huidige afhankelijkheid softwaremakers

Verhoeff stoort zich aan het beeld dat AI en met name machine learning maar beter aan de grote softwarebedrijven kan worden overgelaten, omdat je op nationaal niveau, laat staan als individueel ziekenhuis, geen waarde kunt toevoegen. “Je ziet al waar er nieuwe verdienmodellen ontstaan, waarbij ziekenhuizen hun data inleveren om de modellen van leveranciers te trainen en vervolgens de hoofdprijs moeten betalen wanneer ze de software blijven gebruiken. We hebben nu al een discussie over de excessieve winstmarges en de monopoliepositie van EPD-leveranciers. Daar moeten we toch van leren.”

Een communicatietoepassing als BeterDichtbij is een mooi voorbeeld van de kracht van ziekenhuizen die samen optrekken, zegt Verhoeff. “Door samen te werken heb je opeens een schaalgrootte waarmee je een dienst kunt ontwikkelen die de concurrentie met commerciële aanbieders wél aankan, iets dat je als individueel ziekenhuis nooit zou lukken. Bij BeterDichtbij gaat het ook niet alleen om de techniek, maar ook om een naadloze integratie in het dagelijks werk van zorgaanbieders. En het gebruiksgemak voor de patiënt natuurlijk.”

BeterDichtbij: een voorbeeld voor samenwerking tussen zorgaanbieders

Een soortgelijk samenwerkingsverband rond AI zou met een relatief beperkt budget voorspellingsmodellen kunnen ontwikkelen en tegen kostprijs kunnen delen. “Dan kunnen alle ziekenhuizen profiteren van de modellen die worden ontwikkeld zonder de hoofdprijs aan een softwareleverancier te betalen. Je kunt daarnaast ook samen optrekken om slimme software te maken om de data uit EPD’s te ontsluiten zonder dat je te afhankelijk wordt van die leveranciers, en ook de cloud of hardware-omgeving aanbieden waarop de modellen worden doorgerekend. Met een fractie van het budget van alle VIPP-subsidies kun je ziekenhuizen weerbaarder maken tegenover leveranciers en de kennis over en het gebruik van AI daadwerkelijk ondersteunen.”

Vijf ziekenhuizen, vier leden van de SAZ (samenwerkende algemene ziekenhuizen) en één STZ-ziekenhuis gaan in de komende maanden in ieder geval aan de slag. Verhoeff: “We gaan ons samenwerkingsverband bestendigen en een start maken met het proces rondom CE-markering. Met een CE-keurmerk mogen de modellen ook in de klinische praktijk toegepast worden. Daarvoor moeten alle risico’s goed in kaart zijn de kwaliteit gewaarborgd. Daarna gaan we natuurlijk aan de slag met andere geïnteresseerde ziekenhuizen.”

Bart-Jan Verhoeff is een van de gastdocenten tijdens de masterclass Kunstmatige intelligentie in de zorg, op 29 en 30 oktober. In deze coronatijd staat de veiligheid van de deelnemers en medewerkers voorop. De locatie van deze masterclass stelt de hoogste prioriteit aan de gezondheid en veiligheid van gasten en doet er alles aan om risico’s op besmetting en verspreiding te voorkomen. Voor deze editie zijn de laatste plaatsen beschikbaar, meer informatie is te vinden via de website.