Autoscriber

Het project heeft twee doelen:  

• Verminderen van de administratielast tijdens en na het contact tussen zorgverlener en patiënt, waarbij er meer tijd vrijkomt voor de andere taken tijdens dat contact (opbouwen van een band tussen zorgverlener en patiënt met bijbehorend oogcontact, real-time aanpassen van de differentiaaldiagnose (en daarmee anamnese en lichamelijk onderzoek) aan de hand van de informatie die verkregen wordt, nadenken over een diagnostisch en therapeutisch beleid) 
• Beschikbaar maken van gestructureerde data op basis van de anamnese (en tzt lichamelijk onderzoek) voor hergebruik (bij het invullen van aanvragen van aanvullend onderzoek en genereren van brieven, voor bedrijfsvervoering, en uiteindelijk voor diagnostische beslissingsondersteuning. 

Voor deze doelen is software ontwikkeld (in eerste instantie door het LUMC en later door de voor dat doel opgerichte startup Autoscriber), waarmee het gesprek tussen zorgverlener en patiënt automatisch kan worden opgenomen, omgezet in tekst en samengevat. Tegelijkertijd worden relevante gegevens geïdentificeerd en gestructureerd opgeslagen. De zorgverlener kan de samenvatting en gestructureerde data desgewenst nog aanpassen en moet deze daarna accorderen. 

Na verschillende onderzoeksfasen is het product nu klaar voor gebruik. Het wordt nu getest in verschillende ziekenhuizen en er is een eerste studie mee gedaan met nagespeelde anamneses die door coassistenten werden samengevat. Binnenkort start de eerste pilot met patiënten in het LUMC in studieverband.

Aanvankelijk was de beschikbare technologie nog niet goed genoeg. Met de komst van grote taalmodellen is dat wel zo. Verder is het voor het vastleggen van gestructureerde data lastig dat er geen landelijk gedeeld standaarden zijn. Er is veel discussie geweest over hoe en waarvoor de patiënt informed consent moet geven. Verder kostte het in sommige fasen van het project enige moeite om de dataveiligheid te borgen op AVG-niveau. Onze ICT-afdeling was op een gegeven moment onvoldoende bemenst om het project verder uit te bouwen en op te schalen, zodat het bij een bedrijf moest worden ondergebracht. Voor mij persoonlijk was het vervolgens weer lastig om het project te blijven beïnvloeden, vooral omdat ik volgens LUMC-regels geen bezoldigde functie mag bekleden bij bedrijven die actief zijn in de zorg. De acceptatie bij patiënten was – enigszins tot mijn verrassing – nauwelijks een probleem. Scepsis bij collega’s over AI en de wens om gestructureerde anamnestische data vast te leggen speelden wel enige rol. Tot slot is het verkavelde zorg-IT-landschap in Nederland wat lastig, met meerdere EPD-leveranciers in ziekenhuizen en daarbuiten, met wie moet onderhandeld over koppelingen.  

In de eerste studie bleek Autoscriber (niet verrassend) administratietijd te verminderen, afhankelijk van hoeveel de coassistenten wilden redigeren aan de samenvatting. De kwaliteit van de automatisch gegenereerde samenvatting was goed, maar werd wel beter met redigeren. De vraag is in hoeverre deze resultaten vergelijkbaar zijn met een echte patiëntensetting. Een studie die dat onderzoekt gaat binnenkort van start.