Voor ziekenhuizen is het coderen en invoeren van ICD-10-diagnosecodes een flinke klus. Een team van codeurs in het ziekenhuis heeft hier een dagtaak aan en artsen zijn vaak minstens een uur per week kwijt aan het invoeren en corrigeren van de codes. Een flinke administratieve last. Een last die we met de inzet van Artificial Intelligence – kortgezegd AI – sterk kunnen verminderen.

Een aantal ziekenhuizen kijkt nu of ze samen AI kunnen inzetten om hun ICD-10-codering over te nemen. Het coderen van ICD-10 gebeurt nu door een team van codeurs, die op basis van ontslagbrieven codes in het EPD zetten. Artsen zijn ook steeds meer belast met de invoer en controle van deze codes. De veelheid aan coderingsmogelijkheden zorgt voor veel frustratie en onzorgvuldigheid. Denk aan opmerkingen als ‘ik kies gewoon altijd de derde code’ of ‘het is te veel scrollen, dus kies ik gewoon een enigszins passende’. Bovendien vraagt het veel tijd om ook de nevendiagnosen van een patiënt goed en volledig vast te leggen. Computers kunnen echter ook leren om deze ontslagbrieven te ‘lezen’, om er vervolgens met grote zorgvuldigheid een code aan te hangen. Een ‘robot’ zorgt vervolgens voor de invoer in het EPD.

Wegnemen van drempels bij het inzetten van Artificial Intelligence

De eerste drempel om weg te nemen is het koppelen van datasystemen. Lange tijd vormde dat een belemmering om AI in te zetten; zorgsystemen konden niet met elkaar communiceren. Via een zogenaamde ‘datagateway’, een generieke database die in een ziekenhuis staat, kan dat nu eenvoudig. Op deze datagateway kan een ziekenhuis alle systemen aansluiten, van ChipSoft of EPIC tot agenda- en HRM-systemen. Ook brieven en notities worden hierin meegenomen. Vervolgens kunnen we er vrij eenvoudig een AI-laag opzetten, waarin we data kant en klaar neerzetten voor gebruik in AI-toepassingen. Door algoritmes te ontwikkelen, leren we vervolgens de computers in het ziekenhuis om de data te verwerken en in te voeren.

De tweede drempel is het accepteren dat een computer mensenwerk overneemt. Er wordt een ontslagbrief in de computer gestopt en er rolt een code uit. Het proces naar die code toe is te complex om te begrijpen. De computer leert zichzelf aan de juiste informatie uit de ontslagbrieven te halen door te leren hoe de medisch codeur dat in het verleden deed. Voor artsen betekent dit loslaten dat ze precies zullen begrijpen hoe de computer werkt. Voor data scientists de taak om goed uit te leggen hoe de computer dit doet. Voor codeurs betekent dit dat hun huidige werkzaamheden gaan veranderen en zij minder bezig zijn met het invoeren van codes, maar zich meer moeten richten op het uitlezen, controleren en verbeteren van het systeem.

De derde belemmering vormt de zorg om de veiligheid van gegevens. De datagateway staat op de servers van het ziekenhuis. Persoonlijke informatie in bijvoorbeeld ontslagbrieven, blijft dus binnen de muren van het ziekenhuis. Het lerende algoritme is – zonder de data – wel te verplaatsen, waardoor ziekenhuizen dit samen kunnen ontwikkelen en dus samen zorgen voor slimmere algoritmen. Wel blijft maatwerk nodig, omdat elk ziekenhuis z’n eigen ‘taal’ heeft en net weer andere terminologie gebruikt.

Coderen via Artificial Intelligence in de praktijk

Via een kleine proef in een ziekenhuis is het met een beperkte dataset gelukt om de computer te leren ICD-10-codes aan ontslagbrieven te hangen. Aan het einde van die proef kon de computer al de helft van de brieven met 85% zekerheid coderen. Dit is een hele prestatie op basis van een relatief kleine dataset. Met grotere datasets kan de computer alleen maar slimmer worden.

In de nabije toekomst zou een ziekenhuis bijvoorbeeld met een ‘drie-bakjes-systeem’ kunnen werken. Het eerste bakje verwerkt de zeer zekere ontslagbrieven. Bij een ontslagbrief van tonsillitis en chemo is bijvoorbeeld de ICD-10-codering vaak overduidelijk. Codeurs nemen af en toe een steekproef, maar het overgrote deel verwerken computers automatisch zonder controle. Het tweede bakje bevat ontslagbrieven met een kleinere, maar toch vrij sterke zekerheid. Deze brieven hebben meer controle nodig, maar kunnen computers ook grotendeels automatisch verwerken. In het derde bakje blijven ten slotte ontslagbrieven over die de computer niet goed kan lezen en die handmatig verwerkt moeten worden. Denk aan ontslagbrieven van meervoudige problematiek of zeer zeldzame aandoeningen. De computer ziet immers niet genoeg van deze brieven om daar goed van te kunnen leren.

Vertrouwen in Artificial Intelligence

Het accepteren en vertrouwen dat een computer dit mensenwerk overneemt is lastig, maar wel noodzakelijk om een stap te maken. Een goed voorbeeld van de mogelijkheden van AI is de zelfrijdende auto van Tesla. Die auto kan uren zelf rijden in een zeer complexe en onvoorspelbare omgeving als het verkeer. Het laten coderen van ontslagbrieven in een ziekenhuis is hierbij een relatief simpele inzet van Artificial Intelligence in de zorg. Als ziekenhuizen dit gaan doorvoeren, dan vermindert de lastendruk voor artsen en hebben zij meer tijd over voor het verbeteren van patiëntenzorg.

https://performation.com/wp-content/uploads/2019/04/Pieter-Frank-van-Boven_200.jpg
Pieter-Frank van Boven Productmanager Data Science

Bent u benieuwd wat Artificial Intelligence nu al voor uw ziekenhuis kan betekenen? Neem gerust contact met mij op. Ik denk graag met u mee.

Volg de ontwikkelingen van AI in de zorg

Schrijf u in voor de nieuwsbrief.

  • Dit veld is bedoeld voor validatiedoeleinden en moet niet worden gewijzigd.
VIDEO

Artificial Intelligence in de zorg

Artificial Intelligence (AI) komt steeds vaker op als mogelijkheid om de steeds duurdere en complexere zorg toekomstbestendig te maken. Het laten coderen van ontslagbrieven in een ziekenhuis is hiervan een voorbeeld. Het vermindert registratielast voor zorgprofessionals.

Bekijk de video