AI - Beoordeling Tekstverslagen – Hoe werkt het?

Binnen de AI dienstverlening Beoordeling Tekstverslagen van ValueCare in de ziekenhuizen gebruiken we 3 verschillende methoden. Hieronder zullen we kort per methode toelichten hoe deze werkt en voor welke onderwerpen deze methode gebruikt wordt. Mocht je naar aanleiding van het lezen van onderstaande informatie nog vragen hebben, neem dan contact met ons op.

1. Getrainde versie van Roberta op basis van eigen verslagen

Bij deze AI methode maken we gebruik van een open source Nederlandstalig Roberta model, een taalmodel specifiek getraind op medische teksten. Vervolgens trainen we dit model met ziekenhuisspecifieke patiëntverslagen, waardoor het model leert om specifieke patronen en terminologie te herkennen. Bij het opstellen van de trainingssets en in de normen die worden opgeleverd, is de geldige wet- en regelgeving altijd leidend. ValueCare gebruikt deze AI methode met name om de volledigheid en rechtmatigheid van specifieke zorgactiviteiten in de patiëntverslagen te controleren; een getraind model kan namelijk automatisch beoordelen of een bepaalde zorgactiviteit wel of juist niet heeft plaatsgevonden op basis van tekstverslagen. Deze aanpak is vooral krachtig in ziekenhuizen met veel historische data van hoge kwaliteit, omdat het goed trainen van het model (en daarmee de ‘input’ die je aan het model meegeeft) essentieel is voor een betrouwbaar resultaat.

2. Prompting op open source large language models

Bij deze AI methode worden generatieve taalmodellen aangestuurd via zorgvuldig ontworpen prompts om specifieke vragen over patiëntendossiers te beantwoorden. In plaats van het model opnieuw te trainen, geef je het voorbeelden of instructies via tekst (prompting), waarmee het relevante informatie uit het dossier kan samenvatten of beoordelen. De opgestelde prompts bevatten (onder andere) de huidige wet- en regelgeving en informatie uit het patiëntdossier. Deze AI methode is flexibel en snel inzetbaar zonder extra trainingsdata. Het model kan bijvoorbeeld gevraagd worden of alle vereiste documentatie voor een bepaalde behandeling aanwezig is, of afleiden of een bepaalde zorgactiviteit heeft plaatsgevonden op basis van een tekstverslag uit het patiëntendossier. Prompt engineering is hierbij cruciaal voor betrouwbaarheid en consistentie, waarbij de prompt wordt aangepast op basis van feedback van de ziekenhuizen, bij wijzigende wet- en regelgeving en (ziekenhuisspecifieke) interpretaties. Door de grotere AI modellen die voor deze methode gebruikt worden, is vaak een server met extra rekenkracht nodig.

3. Named Entity Recognition (NER) & Entity Linking

Deze AI methode richt zich op het automatisch herkennen en categoriseren van medische entiteiten (zoals ziektes, behandelingen, medicatie) in tekst via NER. Vervolgens koppelt entity linking deze entiteiten aan standaardreferenties, zoals SNOMED CT of ICD-codes, wat helpt bij uniformiteit en controle op juistheid. Hierdoor kan worden vastgesteld of alle essentiële onderdelen van een dossier aanwezig en correct gecodeerd zijn. Dit is waardevol voor zowel medische volledigheid als administratieve rechtmatigheid. De methode is robuust en goed schaalbaar voor grote hoeveelheden tekst, en wordt door ValueCare vooral toegepast voor de bepaling van diagnoses.