Onderzoekers van de Universiteit van Californië, Los Angeles (UCLA) hebben een AI-systeem ontwikkeld dat gestructureerde ziekenhuisdata, doorgaans weergegeven in complexe tabellen, omzet in leesbare teksten. Deze aanpak maakt het volgens de onderzoekers mogelijk om bestaande LLM’s, zoals ChatGPT, effectief in te zetten bij klinische besluitvorming, met name op de spoedeisende hulp.
Het nieuwe model, genaamd Multimodal Embedding Model for EHR (MEME), vormt een brug tussen de tabulaire structuur van elektronische patiëntendossiers (EPD) en de verhalende input die nodig is voor geavanceerde AI-analyses. In plaats van te werken met rijen vol codes, meetwaarden en medische terminologie, genereert MEME zogenaamde pseudonotities. Dit zijn tekstuele representaties van patiëntgegevens die de structuur van echte klinische documentatie nabootsen. Hiermee wordt een belangrijke barrière weggenomen voor het inzetten van AI in de acute zorg.
Natuurlijke taal
Veel AI-modellen zijn getraind op natuurlijke taal, terwijl medische gegevens vaak worden vastgelegd in niet-tekstuele formats. Deze discrepantie belemmert de toepassing van LLM’s binnen klinische omgevingen. In spoedeisende situaties, waar elke seconde telt en artsen onder hoge druk complexe beslissingen moeten nemen, kan de toegang tot snel interpreteerbare informatie het verschil maken. MEME stelt zorgprofessionals in staat om sneller en accurater behandelingen te starten door AI-inzichten te baseren op een vollediger begrip van de medische voorgeschiedenis van een patiënt.
Het ontwikkelde systeem werkt modulair. Patiëntgegevens worden opgedeeld in inhoudelijke blokken. Denk aan medicatiegeschiedenis, triagegegevens, vitale functies en laboratoriumresultaten die vervolgens worden omgezet in tekst met behulp van medische sjablonen. Elk tekstblok wordt apart geanalyseerd door een taalmodel, waardoor een genuanceerd, multidimensionaal beeld van de patiënt ontstaat. Dit sluit beter aan bij de manier waarop artsen klinisch redeneren.
Uitgebreide validatiestudie
In een uitgebreide validatiestudie, gepubliceerd in npj Digital Medicine met meer dan 1,3 miljoen spoedeisende hulpbezoeken, afkomstig uit zowel de bekende MIMIC-database als UCLA’s eigen zorgsystemen, bleek MEME aanzienlijk beter te presteren dan bestaande AI-oplossingen. Het model versloeg traditionele machine learning-technieken, gespecialiseerde EPD-modellen zoals CLMBR en Clinical Longformer, én prompting-gebaseerde methoden.
Belangrijk is ook dat MEME goed overdraagbaar bleek tussen ziekenhuizen met verschillende datastructuren en coderingsstandaarden. Dit is een essentieel kenmerk voor brede implementatie. Volgens het onderzoeksteam is dit een eerste stap naar AI-systemen die niet alleen krachtig, maar ook flexibel en schaalbaar zijn.
Testen op andere afdelingen
Toekomstig onderzoek richt zich op het testen van MEME buiten de spoedeisende hulp, bijvoorbeeld op intensivecare-afdelingen of binnen chronische zorg. Ook zal er aandacht zijn voor de integratie van nieuwe medische concepten en evoluerende datastructuren, zodat het model zich kan blijven aanpassen aan veranderende zorgbehoeften.
“Dit systeem overbrugt de kloof tussen de krachtigste AI-modellen en de realiteit van medische data. Door medische dossiers om te zetten in tekst die begrijpelijk is voor taalmodellen, ontsluiten we AI-capaciteiten die tot voor kort buiten bereik lagen van zorgprofessionals”, aldus Simon Lee, promovendus aan de UCLA.
Begin dit jaar schreven wij over een vergelijkbaar initiatief waarbij een AI-tool ontwikkeld werd die laboratoriumuitslagen automatisch omzet in begrijpelijke taal voor patiënten. Deze tool helpt artsen tijd te besparen door administratieve taken te verminderen en de communicatie met patiënten te verbeteren. Na positieve resultaten uit pilots met huisartsen wordt de tool nu gebruikt in de eerstelijnszorg, met plannen voor uitbreiding naar de specialistische zorg. De tekst gegenereerd door de AI wordt altijd eerst beoordeeld door de arts voordat deze naar de patiënt wordt gestuurd.
