Artikel bewaren

U heeft een account nodig om artikelen in uw profiel op te slaan

Login of Maak een account aan
Reacties0

‘Computer leest mee in het epd’

Pierre de Wit
Niet het zoveelste invullijstje, maar een slim systeem dat in het epd ‘meeleest’ en automatisch waarschuwt als de patiëntveiligheid in gevaar komt. Dankzij natural language processing (NLP) en machine learning zijn computersystemen steeds beter in staat om natuurlijke tekst te begrijpen. Het nieuw ontwikkelde PATROON geeft aan wanneer artsen of verpleegkundigen extra alert moeten zijn.
Pierre-de-Wit450.jpg

Patiëntveiligheid vormt de basis van het dagelijkse handelen in ziekenhuizen. Zij streven daarom voortdurend naar verbeteringen door lering te trekken uit incidenten. Dat gebeurt aan de hand van meldingen, complicatiebesprekingen, reconstructies en evaluaties. Maar zou het niet prachtig zijn als specialisten en verpleegkundigen op voorhand worden gewaarschuwd bij risico’s, zodat incidenten worden voorkomen? Wishful thinking? Geenszins.

Dutch Hackathon Health
Het oorspronkelijke idee komt van product owner Peter Vermeulen, informatiemanager Zorg bij het UMC Utrecht. Hij dacht: laten we een computersysteem bouwen dat dossiers van opgenomen patiënten analyseert op bekende patronen, gerelateerd aan incidenten en calamiteiten. Hij formeert een team en schrijft het in voor de Dutch Hackathon Health 2017. Het multidisciplinaire team bestaat uit enkele zorgprofessionals, een project- en kwaliteitsmanager en een wetenschappelijk onderzoeker van het UMC Utrecht, een student bio-informatica, een data scientist van Target Holding en twee consultants van Quint Wellington Redwood. Het team had een weekend de tijd om tot een Minimal Viable Product te komen.

Risicofactoren
Zo is PATROON ontstaan, een hulpmiddel om middels notificaties te wijzen op bepaalde risicofactoren. Maar het PATROON-systeem kan ook aan de bel trekken als bijvoorbeeld een preoperatieve screeninglijst niet volledig is ingevuld. En als het systeem dat regelmatig signaleert, is dat wellicht een duiding dat een afdeling structureel overbelast is. Overdrachtsmomenten luisteren in de zorg altijd erg nauw omdat dan ruis in de communicatie kan optreden. Een patiënt die met een vrij onschuldige aandoening het ziekenhuis binnenkomt en vrij snel een omvangrijk dossier opbouwt, kan duiden op een mismatch tussen diagnose en behandeling. Hetzelfde geldt voor patiënten die over meerdere, objectief gezien, onlogische medische schijven ‘lopen’, of te maken krijgen met ‘vreemde’ diagnose-behandelingscombinaties. PATROON zal al dit soort risicofactoren signaleren en correlaties proberen te ontdekken. Het grote voordeel is dat het systeem meer verbanden ziet en sneller werkt dan een mens.

Vrije tekst
PATROON gebruikt moderne technologie, zoals algoritmes en natural language processing (NLP) en begrijpt ook informatie die is geschreven in vrije tekst. Met online feedback zal het systeem leren en verbeteren. PATROON gaat dus niet aan de zorgverleners vragen om nog meer te registreren of extra lijstjes in te vullen. Het idee is om een zelflerend systeem ‘realtime’ dossiers te laten analyseren op bekende ‘triggers’ gerelateerd aan incidenten. Het systeem kan daarmee uit gestructureerde data en vrije tekst informatie halen. NLP is ook steeds beter in staat om bepaalde sentimenten te meten, denk aan een arts die kortaf reageert of een patiënt die onredelijk is. Dit kan duiden op een verstoorde arts-patiëntrelatie. PATROON concludeert dat op basis van de vrije tekst in het epd. Het dossier krijgt een risicoclassificatie, waarop specialisten proactief eventuele maatregelen kunnen nemen. Het dossier en afdelingsoverzicht krijgen een heldere markering op welke onderwerpen een patiënt mogelijk verhoogd risico heeft. Bij een dagstart of patiëntenbespreking kan nog eens extra naar deze patiënten worden gekeken.

Supervisie
Het is belangrijk om te benadrukken dat PATROON zelf geen enkele beslissing neemt; het systeem signaleert slechts en slaat aan op een aantal triggers. De specialist of verpleegkundige houdt altijd de supervisie over het systeem. Sterker nog, het zijn de artsen en verpleegkundigen zelf die het systeem zullen moeten trainen. In het begin zal PATROON zich namelijk nog relatief ‘dom’ gedragen en misschien correlaties leggen die niet relevant zijn. Hoe meer data het systeem krijgt te verwerken en hoe vaker het feedback krijgt van mensen, hoe ‘intelligenter’ het zich zal gedragen en hoe relevanter de notificaties en alerts zullen zijn.

Deep learning
Het team startte de hackathon met machine learning, maar heeft later dat weekend ook enkele testen uitgevoerd met behulp van deep learning, die tot verrassende resultaten leidden. Van de raad van bestuur van UMC Utrecht heeft het team een startbedrag van 5.000 euro gekregen ter uitvoering van het idee. Inmiddels is PATROON in het UMCU ook al getest op een set echte, geanonimiseerde data. Ook bij andere ziekenhuizen en zorginstellingen bestaat interesse voor PATROON. Deze instellingen zijn vooral geïnteresseerd in het deep learning-aspect waarmee patronen kunnen worden gedestilleerd die voor een persoon niet te achterhalen zijn, zelfs als hij voldoende tijd zou hebben om een dossier helemaal door te spitten.

Pierre de Wit is Innovation & Digital Consultant bij Quint Wellington Redwood en maakte deel uit van het winnende team dat tijdens de Dutch Hacking Health 2017 PATROON ontwikkelde.

Geef uw reactie

Om te kunnen reageren moet u ingelogd zijn. Heeft u nog geen account, maak dan hieronder een account aan. Lees ook de spelregels.