Generatieve AI in de gezondheidszorg: Gebruikscases en toepassingen in de echte wereld

Gegevens genereren

AI zoals medische AI chatbots hebben grote, diverse datasets nodig om van te leren, maar privacywetten voor patiënten zoals HIPAA maken het moeilijk om echte klinische gegevens te delen tussen instellingen. Dat is waar generatieve AI voor het genereren van synthetische gegevens om de hoek komt kijken.

In plaats van echte patiëntendossiers te raadplegen, gebruiken onderzoekers generatieve modellen die zijn getraind op niet-geïdentificeerde datasets. Deze modellen leren patronen in hoe ziekten zich ontwikkelen, hoe symptomen correleren met labresultaten en hoe behandelingen de resultaten beïnvloeden. Vervolgens genereren ze volledig synthetische patiëntendossiers die eruitzien en zich gedragen als echte gegevens, maar die niet aan een individu zijn gekoppeld.

Stel dat een ziekenhuis een AI-model wil trainen om vroege tekenen van sepsis te herkennen. Het ziekenhuis heeft slechts 200 gevallen. Dat is niet genoeg. Dus analyseert het AI-model die 200 echte gevallen en genereert het duizenden synthetische gevallen:

• Sommigen vertonen typische sepsisverschijnselen.
• Anderen bootsen zeldzame combinaties na zoals uitgestelde koorts plus abnormale vitale functies drie dagen later.
• Een paar simuleren zelfs patiënten met misleidende symptomen, waardoor randgevallen kunnen worden getest.

Deze synthetische records zijn van niemand - maar ze gedragen zich als echte gegevens.

Dit biedt nieuwe manieren om ideeën te testen en "wat als"-scenario's in de geneeskunde te onderzoeken zonder de privacy van patiënten in gevaar te brengen.

Medische diagnose

In de VS voeren ziekenhuizen zoals Mayo Clinic en Mass General Brigham geanonimiseerde patiëntgegevens zoals MRI's, CT-scans, labresultaten en klinische aantekeningen in AI-diagnostische tools in. 

In feite gebruikt 65% van de Amerikaanse ziekenhuizen al voorspellende AI-modellen in een deel van hun diagnostische workflows.

Een gebied dat bijzonder snel wordt toegepast is radiologie, waar AI artsen helpt om verder te gaan dan de grenzen van het menselijk oog. Algoritmes worden getraind om wazige beelden te reconstrueren en aandachtsgebieden zoals tumoren of breuken te markeren.

Maar de meest impactvolle toepassingen stoppen niet bij één enkel beeld. Grote taalmodellen kunnen gegevens uit meerdere bronnen combineren, van radiologierapporten en aantekeningen van artsen tot labwaarden, recepten en vitale functies van patiënten, om een completer beeld te krijgen.

Stel je een patiëntendossier voor met de volgende tekst: "Lichte kortademigheid sinds twee weken, nieuwe piepende ademhaling, geen voorgeschiedenis van astma."

Een AI-assistent zou een potentieel patroon voor vroeg hartfalen kunnen herkennen. Het controleert dan recente B-type natriuretische peptide labwaarden (gebruikt om hartstress te detecteren) en medicatiegeschiedenis. Als de patiënt ouder is dan 65, kan het systeem hartfalen waarschijnlijker achten dan astma en dit markeren voor beoordeling door een arts.

Ontdekking van geneesmiddelen

In 2020 gebruikten wetenschappers van MIT en Harvard generatieve AI om een nieuw antibioticum te identificeren, halicine, dat resistente bacteriën kan doden. 

Dit soort AI-doorbraken verandert de manier waarop chemici en farmaceutische onderzoekers een van de duurste en meest tijdrovende onderdelen van de geneeskunde benaderen.

De ontwikkeling van één enkel medicijn, inclusief de kosten van mislukte kandidaten, kan 1 tot 2 miljard dollar USD. Traditioneel is het een spel van getallen: het screenen van duizenden samenstellingen, het uitvoeren van trial na trial en hopen dat er één het gewenste resultaat oplevert. 

Generatieve AI maakt het proces veel sneller. Onderzoekers beginnen met een opdracht voor het ontdekken van medicijnen zoals "Ontwerp een molecuul dat KRAS G12C-mutaties in longkanker remt, maar gezonde cellen niet aantast". 

Deze aanwijzingen worden ingevoerd in een generatief model dat is getraind op chemische structuurdatabases, eiwitinteracties en bekende bijwerkingen. Binnen enkele uren stelt het model volledig nieuwe moleculaire structuren voor die aan deze criteria voldoen. Sommige zijn geïnspireerd op bestaande verbindingen, terwijl andere volledig nieuw zijn. 

Onderzoekers kunnen dan simuleren hoe deze moleculen zich binden aan doeleiwitten en zo de lijst beperken voordat ze ooit een laboratoriumexperiment uitvoeren.

Het werkt ook de andere kant op. Als onderzoekers genexpressiegegevens van zieke patiënten invoeren, kan het model afleiden welke stof de onderliggende stoornis zou kunnen verhelpen, zelfs als die stof nog niet bestaat.

Klinische documentatie 

In plaats van urenlang elektronische patiëntendossiers (EHR's) door te spitten, kunnen artsen nu direct samenvattingen ontvangen met belangrijke informatie zoals diagnoses, medicatie, labtrends en behandelingsgeschiedenis.

Deze samenvattingen helpen zorgverleners sneller op snelheid te komen, vooral tijdens dienstwisselingen of grote patiëntvolumes.

Naast het verbeteren van de toegang tot informatie, worden deze tools ook gebruikt om documentatie te automatiseren. Artsen besteden vaak meer tijd aan het schrijven van notities dan aan het behandelen van patiënten. Maar met LLMs kunnen artsen patiëntgegevens dicteren of uploaden, en in ruil daarvoor een ontwerp van een voortgangsverslag of ontslagsamenvatting ontvangen. De laatste stap is een snelle controle en goedkeuring.

Epic Systems, een van de grootste EPD-aanbieders in de VS, is actief aan het experimenteren met AI-ondersteunde notitiegeneratie in samenwerking met Microsoft. In een ander onderzoek laten de eerste resultaten zien dat artsen gemiddeld 3,3 uur per week besparen met AI-ondersteunde documentatie. 

Deze systemen introduceren ook een laag van klinische veiligheidscontrole. AI-modellen signaleren mogelijke problemen zoals interacties tussen medicijnen en allergieën of tegenstrijdige instructies in het dossier. Hoewel ze geen beslissingen nemen, fungeren ze als een tweede paar ogen, waardoor het risico op medische fouten afneemt.

Gepersonaliseerde geneeskunde

Generatieve AI kan voorspellen hoe individuen zullen reageren op behandelingen door hun genetica en medische geschiedenis te analyseren. 

AI-modellen, die zijn getraind op grote datasets, vinden subtiele patronen - zoals hoe een specifieke genvariant het metabolisme van geneesmiddelen beïnvloedt - en gebruiken dat inzicht om oplossingen op maat aan te bevelen.

Geestelijke gezondheidszorg

Ditzelfde principe van het gebruik van generatieve AI om gepersonaliseerde reacties te modelleren wordt ook onderzocht in de geestelijke gezondheidszorg. 

Bedrijven als Woebot Health ontwikkelen AI-gestuurde hulpmiddelen voor cognitieve gedragstherapie (CGT). Deze systemen analyseren eerdere interacties om op maat gemaakte therapeutische dialogen te creëren en simuleren echte angsttriggers, zoals het bijwonen van een druk feestje of het ontvangen van kritiek op het werk. Vervolgens begeleiden ze de patiënt in realtime door copingstrategieën, zodat er continuïteit is tussen therapiesessies.

Medisch onderwijs en opleiding

Traditionele medische opleidingen hebben altijd geleund op statische casestudies en gestandaardiseerde patiënten. Die zijn nuttig, maar bereiden studenten niet volledig voor op de onvoorspelbaarheid van het echte klinische werk. 

Generatieve AI verandert dat door nieuwe simulaties te introduceren die zich aanpassen aan hoe elke leerling reageert en leert.

Virti, een bedrijf uit het Verenigd Koninkrijk, heeft AI-gestuurde "virtuele patiënten" ontwikkeld om klinische training op afstand te verbeteren. In Virti moet een student bijvoorbeeld:

• Slecht nieuws brengen aan een virtuele patiënt met kanker
• Een boos familielid kalmeren dat antwoorden eist
• Een ingewikkelde diagnose in eenvoudige bewoordingen uitleggen

De virtuele patiënten reageren in realtime op wat de student zegt of doet, waardoor een realistischere ervaring ontstaat. 

Virti's virtuele patiënt evalueert ook hoe duidelijk en empathisch de cursist communiceert. Als een student iets zegt als "uitgezaaid", kan het systeem voorstellen om het te herformuleren als "de kanker is uitgezaaid" om het voor de patiënt begrijpelijker te maken.

Virti houdt ook de prestaties van studenten in simulaties bij en voorziet docenten van dashboards die gebieden aangeven waar studenten mogelijk problemen hebben, zoals het teveel voorschrijven van antibiotica of het missen van kritieke diagnoses.

Deze AI-technologie wordt steeds populairder in de praktijk. Tijdens de COVID-19 pandemie trainde Virti's technologie meer dan 300 artsen in het Cedars-Sinai Hospital.

Patiëntenvoorlichting

Op het gebied van patiënteneducatie maakt generatieve AI gepersonaliseerd onderwijs mogelijk door de toestand en medische geschiedenis van een patiënt te analyseren. 

Apps zoals OneRemission gebruiken AI-chatbots om overlevenden van kanker te begeleiden bij de zorg na de behandeling. Als een patiënt vraagt: "Mag ik dit eten met mijn medicijnen?", geeft de chatbot een direct antwoord op basis van de medische geschiedenis van de patiënt. 

Deze interactie gaat verder dan statische gesprekken. Een pas gediagnosticeerde diabetespatiënt kan bijvoorbeeld beginnen met de basis: hoe de bloedsuiker te controleren, wanneer insuline te nemen, wat te eten. Dan kunnen ze vragen: "Wat gebeurt er als ik een dosis mis?" of "Mag ik fruit eten?". De AI antwoordt meteen in gewone, niet-technische taal.

AI komt ook tegemoet aan mensen waar ze zijn. Als iemand weinig gezondheidsvaardigheden heeft of een andere taal spreekt, past AI de uitleg aan. In plaats van te zeggen "controleer uw glucose", zegt het misschien: "Controleer uw bloedsuiker met dit apparaat. Zo doe je dat."

Om patiënten op het juiste spoor te houden, sturen AI-chatbots ook tijdige herinneringen zoals "Neem nu je pil voor 16.00 uur" of "Je vervolgafspraak is morgen om 10.00 uur". 

Back-office functies

Ziekenhuizen mogen dan high-tech zijn in de OK, maar achter de schermen werken veel ziekenhuizen nog steeds met spreadsheets, gescande PDF's en lange e-mail threads. HR-, financiële en operationele afdelingen vertrouwen vaak op verouderde systemen die zelfs basale workflows inefficiënt maken.

Generatieve AI helpt deze back-office functies te moderniseren door handmatige processen om te zetten in geautomatiseerde systemen.

Neem financiën. In plaats van dat het personeel elke factuur handmatig controleert, gebruiken sommige ziekenhuizen nu AI om inkooporders te scannen, ze te matchen met leverancierscontracten, inconsistenties zoals dubbele kosten te signaleren en ze door te sturen naar de juiste goedkeurder. 

Bij HR zorgt AI voor interne AI-chatbots die antwoord geven op vragen van medewerkers zoals "Waar kan ik het PTO-beleid vinden?". In plaats van uren (of dagen) te wachten op een antwoord van IT of HR, krijgen medewerkers direct antwoord, zelfs om 2 uur 's nachts.

Deze hulpmiddelen achter de schermen zijn misschien niet zo zichtbaar als diagnosemodellen of virtuele assistenten, maar ze vangen fouten op en maken personeel vrij om zich te richten op werk met een grotere impact. 

En ziekenhuizen zijn niet het enige deel van de gezondheidszorg dat verouderde workflows aanpakt. Verzekeringsaanbieders gebruiken AI-chatbots voor het afhandelen van taken als polisupdates en het verwerken van claims - en dat biedt een duidelijk handboek voor hoe ziekenhuizen dezelfde efficiëntie naar hun eigen activiteiten kunnen brengen.

Geautomatiseerde vervolggesprekken over vaccins met Voice AI

Tijdens de uitrol van het COVID-19 vaccin in Italië hadden volksgezondheidsteams een manier nodig om bijwerkingen bij duizenden patiënten te monitoren. Vertrouwen op persoonlijke controles of telefoongesprekken was niet schaalbaar en vertragingen dreigden ernstige reacties te missen.

engineon bouwde een spraakgebaseerde bot met Botpress om proactief patiënten te bellen, te vragen naar symptomen na een vaccinatie en reacties te loggen, en dat alles in overeenstemming met de EU-privacywetgeving. 

De gegevens werden direct ingevoerd in het analysesysteem van Engineon, waardoor gezondheidsfunctionarissen snel konden reageren op ongewenste voorvallen.

Dit resulteerde in een reactienauwkeurigheid van 95%, €80.000 aan jaarlijkse besparingen en meer dan 6.000 vrijgemaakte werkuren. 

Handsfree klinische assistent voor artsen

Het Vanderbilt University Medical Center werd geconfronteerd met een groeiend probleem: burn-out bij zorgverleners. 

Documentatie en administratie namen veel tijd in beslag en dreven de arbeidskosten op. Om de last te verlichten, leidde Dr. Yaa Kumah-Crystal een poging om spraakgestuurde AI-tools toe te voegen aan de dagelijkse klinische workflows.

In samenwerking met Epic Systems ontwikkelde het team V-EVA: een spraakassistent waarmee artsen toegang krijgen tot belangrijke patiëntinformatie door er mondeling om te vragen. In plaats van dossiers door te lezen of te luisteren naar lange audio-antwoorden, zien zorgverleners direct samenvattingen op het scherm die zijn afgestemd op hun behoeften.

Artsen gebruiken nu spraakopdrachten om onderzoeken te bestellen en handsfree updates aan te vragen. Naarmate de AI beter wordt, zal deze naar verwachting nog meer kunnen, zoals luisteren naar gesprekken en anticiperen op klinische behoeften.

AI-chatbot voor grootschalige afhandeling van vragen over volksgezondheid

Tijdens de uitbraak van COVID-19 in Quebec kreeg het ministerie van Volksgezondheid en Sociale Diensten (MSSS) te maken met een golf van vragen van het publiek, over alles van symptomen en testen tot financiële steun en regels voor de volksgezondheid. Hun callcenters konden het niet bijhouden.

Om snel te kunnen reageren, implementeerde MSSS in slechts twee weken een AI-chatbot Botpress. Deze is getraind om grote hoeveelheden COVID-gerelateerde vragen te beantwoorden, is 24/7 beschikbaar en altijd op de hoogte van de nieuwste gezondheidsrichtlijnen.

COVID-19 Triage Hotline afgehandeld door AI-spraakbot

Tijdens de eerste golf van COVID-19 lanceerde Mass General Brigham een hotline om patiënten met vragen te helpen. Maar binnen enkele uren explodeerde het aantal telefoontjes. 

Om dit op te lossen bouwde het team een AI-gestuurde stemassistent die getraind is op CDC-screeningsprotocollen. De bot stelde vragen over de symptomen, bood volgende stappen aan en stuurde patiënten door naar spoedeisende hulp, een huisarts of de eerste hulp.

Door het overnemen van routinegesprekken heeft de AI-bot de wachttijden drastisch verkort en duizenden patiënten geholpen om sneller geholpen te worden. 

Vandaag de dag gaat dat vroege momentum van het gebruik van AI verder: 1 op de 10 artsen van Mass General Brigham gebruikt generatieve AI, nu om te helpen met documentatie.

AI-spraakhulpmiddel voor mensen met een handicap

Vocable is een gratis app die mensen met spraakproblemen helpt communiceren door hoofd-, gezichts- of oogbewegingen te gebruiken om natuurlijke, AI-gestuurde reacties te genereren.

De eerste versie gebruikte de camera aan de voorkant van een mobiel apparaat om hoofd- en gezichtsbewegingen te volgen, waardoor gebruikers woorden en zinnen op het scherm konden selecteren. Het was een grote stap voorwaarts vergeleken met traditionele AAC (augmentatieve en alternatieve communicatie) apparaten, die vaak meer dan $15.000 kosten en beperkte functionaliteit bieden.

Maar het voelde nog steeds mechanisch aan. Om dat te veranderen integreerde het team ChatGPT. Vocable begrijpt nu wat een zorgverlener zegt en genereert slimme antwoorden in realtime.

Op Apple Vision Pro gaat de ervaring zelfs nog verder. Gebruikers kunnen met eyetracking door de interface navigeren in een volledig meeslepende weergave.

Het resultaat is een modern communicatiemiddel voor mensen met een beroerte, mensen met ALS of MS, non-verbale patiënten en anderen die moeite hebben met spreken.

1. Definieer uw doelstellingen

Bouw niet zomaar een chatbot. Bepaal precies wat hij moet doen.

• Moet het afspraken boeken?
• Herinneringen voor recepten versturen?
• Symptomen triageren en patiënten naar zorg verwijzen?

Elk doel leidt tot verschillende functies, integraties en ontwerpbeslissingen. Als je bijvoorbeeld symptoom triage wilt, dan heb je een LLM natuurlijke taal begrijpt en open input kan verwerken zoals: "Ik heb al twee dagen keelpijn en koorts - moet ik langskomen?".

Geen duidelijk doel = rommelige bot zonder duidelijke waarde.

2. Kies het juiste AI-platform

Niet elke chatbotbouwer werkt voor ziekenhuizen of klinieken. Kies een platform dat is gebouwd voor, of gemakkelijk kan worden aangepast aan, de gezondheidszorg. Om je op weg te helpen, zijn hier 9 van de beste AI chatbotbouwers.

Zoek naar aanpasbare workflows, zodat je logica kunt definiëren voor triage, herinneringen of intake, en integraties met EHR's, patiëntportalen en planningstools.

Controleer ook of het compliance (bijv. HIPAA) en schaalbaarheid ondersteunt. Je wilt niet opnieuw moeten bouwen als je pilot uitbreidt. 

En zorg ervoor dat je gekozen platform sterke chatbot-beveiligingsmaatregelen bevat, zoals gegevensversleuteling en rolgebaseerde toegangscontroles. 

3. Integreren met kernsystemen

Een standalone chatbot zal niet veel helpen. Om echte waarde uit je chatbotimplementatie te halen, moet je hem integreren met je kernsystemen zodat hij echt dingen kan doen, zoals:

• Haal patiëntgegevens op uit uw EPD om interacties te personaliseren
• Beschikbaarheid van afspraken in realtime controleren
• Vragen over facturering afhandelen door verbinding te maken met tools voor verzekeringen en claims
• Gebruiksgegevens bijhouden via analyseplatforms zoals Looker of Tableau

Zonder integratie is je chatbot gewoon een fancy FAQ.

4. Bouwen en testen

Ontwerp de gespreksstroom zoals je dat bij een klinisch proces zou doen. Breng het in kaart:

• Wat moet de bot eerst zeggen?
• Welke vervolgvragen moet ze stellen?
• Hoe gaat het om met verwarrende invoer of escalatie?

Zodra de flow duidelijk is, bouw je je chatbot.

5. Herhalen

Test het ten slotte herhaaldelijk.

Simuleer chats met patiënten, ontdek waar het fout gaat en repareer het. Krijg feedback van eerstelijnspersoneel en echte gebruikers. Pas de toon en reacties aan totdat het werkt zoals verwacht.

Verbetering houdt niet op na de lancering. De beste bots evolueren naarmate ze in de praktijk worden gebruikt.

Hoe weet ik of mijn organisatie in de gezondheidszorg klaar is om generatieve AI te implementeren?

Uw organisatie in de gezondheidszorg is klaar om generatieve AI te implementeren als u duidelijk gedefinieerde problemen hebt om op te lossen - zoals het verkorten van de documentatietijd of het verbeteren van gegevensanalyse - en als uw team openstaat voor nieuwe digitale tools. Gereedheid betekent ook dat je veilige datasystemen hebt (zoals EHR's) waarmee AI kan integreren, en dat de leiding bereid is om kleine, gerichte AI-projecten te testen voordat er wordt opgeschaald.

Met welke privacywetten voor patiëntgegevens moet ik rekening houden bij het gebruik van generatieve AI in de gezondheidszorg?

Bij het gebruik van generatieve AI in de gezondheidszorg moet je voldoen aan privacywetten voor patiënten zoals HIPAA in de VS (of GDPR in Europa), die bepalen hoe beschermde gezondheidsinformatie (PHI) wordt opgeslagen en gedeeld. Dit betekent dat alle AI-tools die je inzet encryptie, strenge toegangscontroles, auditlogs en processen voor het verwijderen van de identiteit van gegevens moeten ondersteunen als deze worden gebruikt voor het trainen van modellen of analyses.

Is generatieve AI veilig genoeg voor klinische besluitvorming of moet het alleen worden gebruikt voor administratieve taken?

Generatieve AI is nog niet betrouwbaar genoeg om het klinische oordeel te vervangen en moet worden gebruikt als hulpmiddel in plaats van als beslisser in de patiëntenzorg. Het is veilig voor administratieve taken, zoals het opstellen van notities en het afhandelen van routinematige vragen van patiënten, maar medische diagnoses of behandelplannen moeten altijd onder menselijk toezicht blijven om fouten te voorkomen.

Hoe lang duurt het doorgaans om een AI-chatbot te implementeren in een gezondheidszorgomgeving?

Het implementeren van een AI-chatbot in de gezondheidszorg kan een paar weken tot een paar maanden duren, afhankelijk van de complexiteit. Een eenvoudige FAQ-bot kan in 2-4 weken worden gelanceerd, terwijl een geavanceerde chatbot die verbinding maakt met EHR's, HIPAA-conforme conversaties afhandelt of triage uitvoert 2-6 maanden in beslag kan nemen voor ontwikkeling, testen en goedkeuringen voor naleving.

Zijn er specifieke medische specialismen waar generatieve AI nuttiger is?

Ja, generatieve AI is vooral nuttig in specialismen zoals radiologie (voor het interpreteren van beelden en het opstellen van rapporten), pathologie (voor het samenvatten van bevindingen), oncologie (voor het samenvatten van complexe behandelplannen), geestelijke gezondheidszorg (voor conversatie-therapiebots) en administratieve gebieden zoals de eerstelijnszorg, waar het helpt bij het genereren van klinische documentatie en het efficiënt afhandelen van patiëntencommunicatie.