AI - Automatisering Zorgregistratie (GGZ)

Inleiding

Digitale transformatie in de GGZ is door toenemende vergrijzing en stijgende (personeels)kosten noodzakelijk geworden. De traditionele methoden en systemen voldoen niet langer aan de groeiende en steeds complexere (informatie)behoeften van financiers, accountants en toezichthouders. Een ingrijpende verandering in de manier waarop we zorg registreren, factureren en verantwoorden is essentieel om de uitdagingen van nu aan te kunnen.

Gesteund door de afspraken in het Integraal Zorgakkoord (IZA) en adviezen van de Raad van Volksgezondheid en Samenleving (RVS) zet ValueCare voor de GGZ in op het borgen van goede, toegankelijke en betaalbare zorg door:

• Het verminderen van administratieve (verantwoordings)lasten, en
• Het vereenvoudigen van de registratie.

Daarnaast wil ValueCare de zorg helpen door transparant te zijn en kennis te delen.

Deze openbare wiki pagina geeft de details over de mogelijkheden om digitale technieken in te zetten voor de transformatie opgave waar de GGZ voor staat de komende jaren.

Deze technieken komen terug in drie bibliotheken:

• Controles met taalmodellen (o.b.v. AI)
• Controles met (nieuwe) beschikbare databronnen (a.d.h.v. datalakehouses)
• Automatisering (m.b.v. RPA)

Achtergrond bij AI techniek

De AI-analyse van de verslaglegging werkt als volgt:

1. Er wordt een AI-taalmodel beschikbaar gemaakt op de klant ValueCare server.
   • ValueCare beoordeelt medische verslagen door gebruik te maken van een fine-tuned RoBERTa model (een specifiek soort AI-Large Language Model). RoBERTa staat voor: a Robustly Optimized BERT (Bidirectional Encoder Representations from Transformers) pretraining Approach.
   • ValueCare gebruikt als basis een open-source RoBERTa model dat specifiek is getraind voor Nederlandstalige medische data. Het model heeft al kennis over taalstructuren en woordrelaties.
   • Er wordt gebruik gemaakt van RoBERT. RoBERT is een Nederlands vooraf getraind RoBERTa model.
2. Er wordt een training set gemaakt in afstemming met de klant.
   • De training set bevat een reeks van verslaglegging records voor gerealiseerde (telefonische) consulten/ verblijfsdagen. Voor elke verslaglegging is aangegeven of het bijbehorende (telefonische) consult/ verblijfsdag rechtmatig bevonden kan worden of niet. Kortom: de verslagen zijn dus geïnterpreteerd en gecategoriseerd.
   • De training set moet voldoende groot zijn. Een te kleine training set leidt tot onvoldoende nauwkeurigheid van het AI-model.
   • De training set kan óf automatisch worden opgesteld óf handmatig worden opgesteld. Veelal worden handmatige beoordelingen uit het verleden gebruikt uit zelfonderzoeken of Horizontaal Toezicht audits. Daarnaast wordt deze set in de regel aangevuld met een groot aantal handmatig beoordeelde verslagleggingen.
3. Het AI-taalmodel wordt getraind met de verslaglegging en classificatie uit de training set. Hierdoor is een getraind AI-taalmodel beschikbaar op de ValueCare server. Het AI-model kan dus verslaglegging categoriseren naar rechtmatig of onrechtmatig.
4. Vervolgens wordt de gehele controlemassa van verslagleggingen voorgelegd aan het AI-model. Het AI-model categoriseert de verslaglegging en geeft de zekerheid van het model aan.
5. De resultaten worden in een actielijst getoond.

Controle op de AI-technologie vindt als volgt plaats:

1. Elke actielijst wordt na oplevering door ValueCare getest door de klant in samenwerking met ValueCare. Bij akkoord wordt de actielijst in productie geplaatst.
   • Met het testen van de actielijst wordt ook het AI-algoritme getest.
   • Er wordt gecontroleerd of de resultaten in de actielijst correct zijn aan de hand van een menselijke beoordeling.
2. Jaarlijks wordt de werking van de actielijst door een steekproef getest door de klant in samenwerking met ValueCare.
   • Er wordt gecontroleerd of de resultaten in de actielijst correct zijn aan de hand van een menselijke beoordeling.

Beheer AI: modelversies toelichting waarden

Om de kwaliteit van het taalmodel te beheren maken we gebruik van verschillende indicatoren die bepalend zijn voor het voorspellend vermogen van het taalmodel voor verslaglegging. Om een score te koppelen aan de kwaliteit van het model gebruiken we de F1 score.

F1 score: de F1 score is een metriek die wordt gebruikt bij binaire classificatie en informatieopslag om de voorspellende prestaties te beoordelen. Het combineert precisie en recall tot een gemiddelde, waarbij beide even belangrijk worden geacht. De waarde varieert van 0 (slechtst) tot 1 (best), waarbij een score van 1 perfecte precisie en recall aangeeft.

• Precisie: hoe vaak klopt het als het model iets als 'positief' aanduidt ten opzichte van alle voorspellingen. Oftewel: het aandeel positieven onder de voorspelde positieven.
• Recall (volledigheid): hoeveel van de echte positieve gevallen heeft het model gevonden. Oftewel: het aandeel echte positieven dat is gevonden door het model onder de werkelijke positieven. Dit is belangrijk als je er zeker van wilt zijn dat je niets belangrijks mist.

Accuratesse: het percentage van alle gevallen (zowel positief als negatief) dat een model correct voorspelt. Het kijkt naar de totale prestaties van het model dus hoeveel van alle voorspellingen juist zijn.

Specificiteit: een waarde die de kans op een negatief resultaat weergeeft, ook wel true negative rate. Deze waarde geeft aan hoe vaak de afwezigheid van een bepaalde factor correct wordt geïdentificeerd.

Aantal prediction categorieën: hoeveel klassen er zijn die voorspeld worden, bij de controles nu; behandelinhoudelijk correct of incorrect = 2.

Bibliotheek normen Artificial Intelligence

In de zorgsector is nauwkeurige verslaglegging niet enkel een administratieve handeling, maar vormt het ook de basis voor het vaststellen van de rechtmatigheid van geregistreerde zorg, evenals het identificeren van mogelijke gemiste registratie van geleverde diensten. Het handmatig doorlopen en controleren van deze omvangrijke verslagleggingen is echter een arbeidsintensief proces, dat zowel tijdsgebonden als kostbaar kan zijn. ValueCare erkent de behoefte aan een efficiëntere aanpak en heeft daarom geïnvesteerd in de kracht van Artificial Intelligence. Met behulp van geavanceerde AI-modellen kunnen verslagleggingen snel en accuraat worden geanalyseerd. In het volgende overzicht presenteren we de normen die gebruik maken van de getrainde ValueCare-taalmodellen die specifiek zijn ontwikkeld om de integriteit van de registratie te waarborgen.

Luca analyseert verslagleggingen

Norm titel	Type controle	Status	Actueel van - tot
AI-analyse van verslaglegging bij telefonisch consult duidt op onrechtmatige registratie (N6400)		Gereed
AI-analyse van verslaglegging bij afspraak duidt op gemist declarabel telefonisch consult (N6401)		Gereed
AI-analyse van verslaglegging bij consult duidt op geen feitelijke levering van het consult (N6403)		Gereed
AI-analyse van verslaglegging bij consult duidt op een gemist declarabel consult (N6404)		Gereed
AI-analyse van verslaglegging bij verblijf duidt op onrechtmatige verblijfsdag omdat client in nacht afwezig was (N6405)		Gereed
AI-analyse van verslaglegging bij verblijf duidt op een gemiste verblijfsdag (N6406)		Gereed
Diagnostiekconsult duidt op onrechtmatige registratie (N6407)		In ontwikkeling
Behandelconsult duidt op onrechtmatige registratie (N6408)		In ontwikkeling

Bibliotheek Actielijsten RPA (Robot Process Automation)

LuCa: Digitale Ondersteuning in de Zorg

Luca is een digitale medewerker die diverse operationele taken binnen zorginstellingen automatiseert en digitaliseert. Met vaardigheden als Robotic Process Automation (RPA) en de capaciteit om inleeslijsten voor het Elektronisch Patiënten Dossier (EPD) voor te bereiden, helpt Luca zowel zorgverleners als administratief personeel bij het uitvoeren van hun werkzaamheden.

Een belangrijk voordeel van Luca's assistentie is de tijdsefficiëntie bij het analyseren van verslaglegging. Door snel en nauwkeurig grote hoeveelheden data te verwerken, kunnen acties in een fractie van de gebruikelijke tijd worden uitgevoerd.

Luca werkt samen met diverse collega's, van zorgverleners tot medewerkers in de zorgadministratie, en neemt repetitieve taken over. Hierdoor kunnen zij zich meer richten op kerntaken en strategische werkzaamheden.

Op deze wiki-pagina vindt u meer informatie over de specifieke toepassingen en capaciteiten van Luca in de ondersteuning van de dagelijkse processen binnen zorginstellingen

In de hedendaagse zorgwereld is expertise van onschatbare waarde. Medewerkers in de zorgwereld bezitten een schat aan zorginhoudelijke kennis die zij dagelijks toepassen. Terwijl de complexiteit van deze kennis en de uitvoering ervan hoog is, zijn er ook werkzaamheden die een herhalend karakter kennen. Om de efficiëntie te verhogen en medewerkers meer ruimte te bieden voor gespecialiseerde taken, heeft ValueCare RPA-oplossingen beschikbaar om deze repeterende werkzaamheden te automatiseren. De onderstaande lijsten geven de robots weer die binnen het ValueCare netwerk operationeel zijn en deze automatisering mogelijk maken. Voor elke robot worden de acties en hun kenmerken uiteengezet die hen geschikt maken voor automatisering, evenals een beschrijving van de gerealiseerde robotflows. Deze robots staan klaar om onmiddellijk te worden geïmplementeerd, waarmee een directe verbetering in efficiëntie binnen uw werkprocessen kan worden gerealiseerd.

Luca lost acties op

ValueCare actielijst voor robot
R61800 - Stuurinformatie Horizontaal Toezicht - Blokkadelijst ZPM - MQ
R61800 - Stuurinformatie Horizontaal Toezicht - Blokkadelijst ZPM - USER
R61800 - Stuurinformatie Horizontaal Toezicht - Blokkadelijst DBC - MQ
R61800 - Stuurinformatie Horizontaal Toezicht - Blokkadelijst DBC - USER
R90043 - Personeel - Verschil tussen BIG register en BIG gegevens HR-systeem - Visma

Bibliotheek Registratie Processen RPA

Zorg gerelateerde registratie processen voor automatisering
Aanmeldproces Nexus automatiseren
Beschikkingen Jeugd onderaannemers overbrengen naar EPD
Facturen invoeren in AFAS
Ortec rooster status aanpassen
Aanvragen jeugdbeschikkingen MQ
Overbrengen data naar MQ
Resultaten COV check invoeren in EPD
Invoeren nieuwe cliënten vanuit Zorgdomein in EPD
Vanuit Triageformulier het dossier invullen

Personeelsgerelateerde processen voor automatisering
Aanmaken nieuwe gebruiker in EPD vanuit HR systeem

Datagedreven actielijsten ter verbetering van zorg processen
Afspraak heeft verhoogd risico op NoShow
Voorstel voor nieuwe afspraak cliënt in agenda behandelaar
Cliënt op wachtlijst heeft verhoogde kans op verslechtering