Een beslisondersteunend systeem op basis van machine learning kan huisartsen helpen bij de keuze van antibiotica voor patiënten met een urineweginfectie. Onderzoek in Nederlandse huisartsenpraktijken laat zien dat de invoering van de software samenhing met een hoger percentage succesvolle behandelingen. Tegelijkertijd blijkt uit onderzoek naar de gebruikerservaring dat vertrouwen in de technologie niet automatisch betekent dat deze eenvoudig in het dagelijkse werkproces past.
De software werd ontwikkeld door Pacmed, Nivel en het Leids Universitair Medisch Centrum (LUMC). Voor de ontwikkeling gebruikten de onderzoekers gegevens over ruim 122.000 urineweginfecties uit de Nivel Zorgregistraties Eerste Lijn. Het systeem berekent voor individuele patiënten de verwachte kans op een succesvolle behandeling met verschillende antibiotica.
Daarbij wordt rekening gehouden met patiëntkenmerken en gegevens uit eerdere behandelingen. De voorspellingen worden naast de aanbevelingen uit de destijds geldende NHG-richtlijn gepresenteerd. Om de uitkomsten begrijpelijker te maken, gebruikten de ontwikkelaars uitlegbare beslisbomen. Daarmee konden zorgverleners zien op welke groepen vergelijkbare patiënten een voorspelling was gebaseerd.
Betere behandelingen
In een observationele studie onderzochten Willem Herter en collega's het gebruik van de software gedurende vier maanden in 36 huisartsenpraktijken. De onderzoekers vergeleken behandeluitkomsten vóór en na de invoering en betrokken daarbij ook praktijken die het systeem niet gebruikten. In de praktijken waar de beslisondersteuning werd ingevoerd, steeg het percentage succesvolle behandelingen van 75 naar 80 procent. In de controlepraktijken bleef dit percentage op 76 procent. Bij patiënten voor wie aantoonbaar gebruik was gemaakt van de software, bedroeg het percentage succesvolle behandelingen 83 procent.
De onderzoekers definieerden een succesvolle behandeling als een behandeling waarbij de patiënt binnen 28 dagen geen nieuwe antibioticakuur voor een urineweginfectie nodig had. Deze uitkomstmaat geeft een indicatie van het behandelresultaat, maar is niet hetzelfde als een bevestiging dat de infectie volledig was verdwenen. Ook kan een nieuwe antibioticakuur verschillende oorzaken hebben. De resultaten wijzen op een verband tussen de invoering van de beslisondersteuning en betere behandeluitkomsten. Omdat het om observationeel onderzoek gaat, kan echter niet worden vastgesteld dat de software zelfstandig verantwoordelijk was voor de verbetering.
AI als aanvulling op behandelrichtlijnen
De toepassing is bedoeld om bestaande behandelrichtlijnen aan te vullen, niet om deze te vervangen. Waar richtlijnen aanbevelingen geven voor patiëntengroepen, probeert machine learning de verwachte uitkomst voor een individuele patiënt nauwkeuriger in te schatten. Bij urineweginfecties is dat relevant omdat de kans op behandelsucces kan verschillen tussen patiënten en antibiotica. De keuze voor een middel hangt bovendien samen met factoren zoals eerdere behandelingen, mogelijke resistentie en patiëntkenmerken.
Door voorspellingen naast de richtlijn te tonen, kunnen huisartsen aanvullende informatie meenemen in hun afweging. De uiteindelijke behandelbeslissing blijft bij de zorgverlener. De onderzochte toepassing laat daarmee zien hoe gegevens uit de dagelijkse eerstelijnszorg kunnen worden gebruikt voor patiëntgerichte beslisondersteuning.
Vertrouwen in voorspellingen
Naast de behandeluitkomsten onderzochten Herter en collega's hoe huisartsen en praktijkassistenten de technologie ervoeren. Uit deze gebruikersevaluatie bleek dat ongeveer twee derde van de respondenten vertrouwen had in de voorspellingen. Een vergelijkbaar aandeel beschouwde de informatie als een nuttige aanvulling op de bestaande behandelrichtlijn.
Tegelijkertijd vonden gebruikers het raadplegen van het systeem tijdrovend. Vooral het ontbreken van een directe koppeling met het huisartsinformatiesysteem (HIS) werd als een beperking ervaren. Zorgverleners moesten daardoor extra handelingen verrichten om de beslisondersteuning te gebruiken. De respondenten benadrukten het belang van integratie in bestaande digitale werkprocessen.
Opvallend was dat de meeste deelnemers niet konden beoordelen of het gebruik daadwerkelijk tot betere patiëntuitkomsten leidde. De ervaren bruikbaarheid van een toepassing en de meetbare effecten op behandelingen blijken daarmee verschillende aspecten van de evaluatie.
Implementatie bepaalt meerwaarde
De twee onderzoeken laten zien dat de beoordeling van AI-ondersteunde behandelkeuzes verder moet gaan dan de nauwkeurigheid van voorspellingen. Ook de manier waarop zorgverleners de informatie ontvangen en toepassen, speelt een belangrijke rol. Een systeem dat relevante behandeladviezen geeft, kan in de praktijk minder effectief worden gebruikt wanneer het extra tijd kost of onvoldoende aansluit op bestaande software.
Daarbij verdienen niet alleen huisartsen, maar ook praktijkassistenten aandacht. Zij vervullen een belangrijke rol bij de eerste beoordeling en afhandeling van patiënten met klachten die op een urineweginfectie wijzen. De onderzoekers benadrukken daarmee het belang van het betrekken van verschillende gebruikersgroepen bij de ontwikkeling en implementatie van digitale beslisondersteuning.
De combinatie van behandelgegevens en gebruikerservaringen biedt aanknopingspunten voor verdere ontwikkeling. Voor bredere toepassing blijft aanvullend onderzoek nodig naar de effecten op behandelresultaten, antibioticagebruik en de inpassing in de dagelijkse huisartsenpraktijk.
Voeg ICT&health toe aan Google
Toon meer content van ICT&health in Google Zoeken.
