“We kunnen nu proactief optreden om ongewenste gezondheidsincidenten op grote schaal te voorkomen, door op basis van voorspellingen te bepalen wie het grootste risico loopt op osteoporotische fracturen, cardiovasculaire aandoeningen of ernstige complicaties door griep, nog voordat deze zich voordoen,” zegt prof. Ran Balicer, oprichter en directeur van het Clalit Research Institute en CIO van Clalit Health Services. In een interview met ICT&health Global legt hij uit hoe AI artsen helpt om hoogrisicopatiënten eerder te identificeren en voorspellende gezondheidszorg in de dagelijkse klinische praktijk te integreren.
We zijn gewend geraakt aan een gezondheidszorgsysteem waarin we naar de dokter gaan zodra de eerste symptomen zich voordoen. Meestal krijgen we medicijnen voorgeschreven of gaan we naar het ziekenhuis, en hopelijk worden we snel beter. Wat is er mis met deze procedure?
Dit is in feite de pijler van de huidige gezondheidszorg, die fundamenteel reactief is. Als je wilt nadenken over wat er mis mee is, stel ik je de volgende vraag: stel je voor dat je een auto hebt en je blijft ermee rijden totdat er rook uit de motor komt. Pas dan ga je naar de garage. Maar waarom wachten tot er rook uitkomt? Je voelt natuurlijk dat dat verkeerd is. Dat is niet de manier om je auto, of een heel wagenpark, te onderhouden.
Ik denk dat het hetzelfde is als het gaat om het belangrijkste dat we hebben, namelijk onze gezondheid en de gezondheid van de mensen van wie we houden. Het is in dit tijdperk niet logisch om pas zorg te verlenen wanneer patiënten al voelen dat er iets mis is, wanneer er al sprake is van disfunctioneren, pijn of een pathologie die zich heeft vastgezet. Zorg verlenen op dat moment gaat in de meeste gevallen gepaard met alleen maar een toegenomen complexiteit van de benodigde zorg, hogere kosten en slechts gedeeltelijke verlichting.
We zouden voorspellende, proactieve en preventieve zorg moeten bieden. En de technologie daarvoor is al minstens twee decennia beschikbaar. Ik weet dat omdat Clalit dit soort zorg al meer dan 17 jaar biedt, met behulp van gegevens uit elektronische patiëntendossiers. We hadden elektronische patiëntendossiers die teruggaan tot de jaren 90, dus tegen het einde van 2009 hadden we al minstens een decennium aan gegevens beschikbaar. We gebruikten deze gegevens om te bepalen welke patiënten op het punt stonden achteruit te gaan, welke patiënten waarschijnlijk een of twee jaar later chronische nierziekte zouden ontwikkelen, en om contact op te nemen met hun huisartsen om proactieve zorg te bepleiten.
Dit soort gegevens stelt ons in staat om een heel ander soort zorg te bieden. Wanneer zorg proactief is, biedt dit onze patiënten in de eerste plaats de best mogelijke zorg. Het is ook minder kostbaar, minder pijnlijk en uiteindelijk veel effectiever in het verbeteren van de resultaten. En we hebben nu veel voorbeelden die laten zien hoe dit op nationaal niveau van theorie naar praktijk wordt omgezet.
De auto-analogie geeft het probleem goed weer. We brengen onze auto's voor jaarlijkse controles, en sommige mensen maken ze zelfs elke zaterdag schoon, maar we vergeten voor onze gezondheid te zorgen.
Denk er eens over na: in je auto heb je al die kleine waarschuwingslampjes, toch? Het ene geeft aan dat het oliepeil te laag is, het andere dat de bandenspanning te laag is. Tegenwoordig, met AI, en zelfs al twee decennia vóór AI, kunnen we, zodra we beschikken over bijgewerkte gezondheidsgegevens in digitale dossiers, dit soort ‘waarschuwingslampjes’ voor het menselijk lichaam hebben, in de meeste gevallen, niet alleen voor auto’s.
Laat me u een voorbeeld geven van hoe we dit op grote schaal hebben geïmplementeerd. Een van de problemen waarmee we bij Clalit worden geconfronteerd, net als in veel andere landen over de hele wereld, is hepatitis C. Dit is een virale leverziekte die, indien onbehandeld, het risico op leverkanker en levercirrose drastisch verhoogt, beide ernstige en zeer kostbare aandoeningen.
Het goede nieuws is dat we een remedie hebben. Er is een medicijn dat, als ik besmet ben met hepatitis C en behandeld word, mij in 98,8% van de gevallen geneest. Dat betekent dat ik die ernstige ziekten niet zal ontwikkelen. De uitdaging is dat hepatitis C vaak onopgemerkt blijft totdat het te laat is. Mensen weten niet dat ze het hebben.
Elk jaar screent Clalit ongeveer 50.000 mensen om stille dragers van hepatitis C op te sporen. Van die 50.000 eerste screenings vonden we slechts 38 positieve gevallen. Natuurlijk – we hebben deze 38 patiënten genezen en hun levensloop veranderd. Maar slechts in 38 gevallen. Dus de vraag werd: kunnen we beter dan dat?
In 2017 ontwikkelde onze onderzoeksgroep bij het Clalit Research Institute, onder leiding van prof. Noa Dagan, een voorspellend model dat kon vaststellen welke patiënten de grootste kans hadden op hepatitis C. We screenden de eerste 500 mensen op die lijst. Raad eens? We vonden 38 positieve gevallen alleen al onder die 500 mensen.
Dus in plaats van bevolkingsgroepen te screenen en één positief geval per duizend mensen te vinden, vonden we plotseling één positief geval per tien gescreende mensen. Dat is een honderdvoudige verbetering. Het geeft ons een veel betere kans om de doelstelling van de Wereldgezondheidsorganisatie om hepatitis C uit te roeien te halen.
En dit is geen theoretisch construct. Clalit gebruikt deze tools nu elke dag. Onze zelfontwikkelde AI-systemen zijn direct geïntegreerd in eerstelijnsklinieken en helpen artsen door patiëntspecifieke aanbevelingen te doen over welke patiënten behandeling nodig hebben en welke maatregelen moeten worden genomen. We hebben de knowhow van verschillende afdelingen en beroepen – gemeenschapsgeneeskunde, innovatie en informatietechnologie – gebundeld om deze visie dagelijks werkelijkheid te laten worden.
Alleen al deze maand zijn meer dan 250.000 lacunes gedicht op basis van door AI gegenereerde aanbevelingen die artsen hebben beoordeeld en geaccepteerd. Artsen zeiden: “Ja, ik begrijp deze aanbeveling omdat het verklaarbare AI is. Ik vertrouw het en ik wil ernaar handelen.” En die aanbevelingen werden onmiddellijk in de praktijk gebracht. In elk van deze gevallen wordt de patiënt via sms geïnformeerd dat zijn huisarts de Clalit-AI heeft geraadpleegd en dat de AI een aanpassing van de zorg voorstelt. De patiënten worden in staat gesteld om actief deel te nemen aan dit proces.
Clalit wordt vaak gezien als een wereldleider op het gebied van datagestuurde preventieve gezondheidszorg. Wat was het keerpunt waarop Clalit zich realiseerde dat de gezondheidszorg moest verschuiven van reactieve zorg naar voorspellende zorg?
Net als elk gezondheidszorgsysteem stonden we voor verschillende grote uitdagingen. Een van die uitdagingen was de personeelsbezetting. Geen enkel gezondheidszorgsysteem ter wereld heeft genoeg personeel. Op dit moment ontbreken er wereldwijd ongeveer 10 miljoen artsen, en het tekort blijft groeien.
We begrepen dat naarmate de bevolking vergrijst en chronische ziekten in alle leeftijdsgroepen vaker voorkomen, we een andere manier moesten vinden om hetzelfde zorgniveau te bieden met een krimpende beroepsbevolking van artsen, verpleegkundigen en paramedici. Dat was een belangrijk knelpunt.
De tweede druk was de stijgende kosten van de gezondheidszorg. We weten dat wanneer de geneeskunde evolueert van moleculen naar antilichamen, en van antilichamen naar celtherapieën, elke overgang de kosten per patiënt vertienvoudigen kan. Er is daarom een enorme financiële noodzaak om gezondheidszorgstelsels veel effectiever te maken met de beschikbare financiering. En natuurlijk is ons doel uiteindelijk altijd het verbeteren van de patiëntenzorg.
We realiseerden ons dat om duurzaam te blijven, we de manier waarop zorg wordt verleend fundamenteel moesten veranderen. We moesten overstappen op een modern zorgmodel dat proactief is in plaats van reactief, nauwkeurig in plaats van intuïtief, en dat datagestuurd en gepersonaliseerd is, in plaats van te vertrouwen op een uniforme, standaardaanpak waarbij één enkele richtlijn voor iedereen gelijk wordt toegepast.
Toen we dat eenmaal begrepen, begon het echte werk: de implementatie. En het belangrijkste onderdeel van de implementatie is het bouwen van tools die artsen en verpleegkundigen daadwerkelijk zullen accepteren, gebruiken en vertrouwen.
We hebben dit heel zorgvuldig en geleidelijk aangepakt, gedurende vele jaren. We hebben deze tools samen met en voor eerstelijnsmedewerkers ontwikkeld. We hebben ze voortdurend aangepast aan bestaande klinische workflows, om ervoor te zorgen dat de technologie mensen echt hielp hun werk beter te doen.
Want als het simpelweg voelt alsof het management een of andere glimmende nieuwe tool introduceert in de hoop dat mensen die zullen gebruiken, zal het nooit werken.
Wat heb je anders gedaan om te voorkomen dat deze initiatieven niet eindigden als zomaar weer een pilotproject dat na voltooiing ten onder gaat omdat het financiële model en de langetermijnstrategie ontbreken?
We noemen het eigenlijk “pilotitis”. Het is als een acute ontsteking van een organisatie, veroorzaakt door te veel pilots die nergens toe leiden.
De manier waarop wij dit probleem aanpakken is dat wanneer je begint met wat mensen een pilot noemen, je het niet echt als een pilot mag beschouwen. Vanaf het allereerste begin moet je jezelf afvragen: wat zijn de schaalbaarheidsvooruitzichten van het project?
We zien de pilot niet als een op zichzelf staande inspanning, maar als stap één in een reeks waarin stap twee, drie en vier al duidelijk zijn. Het controlepunt voor de overgang van stap één naar stap twee moet vooraf zijn gedefinieerd, en de financieringsbron en organisatorische toewijding voor schaalvergroting moeten al bestaan.
Je moet jezelf dus afvragen: als deze pilot slaagt, wat komt er dan daarna? Wat is het opschalingsprogramma? Wie gaat dat betalen? Wie gaat het organisatorisch sponsoren? En als je geen antwoorden op die vragen hebt, begin dan helemaal niet aan de pilot, want anders wordt het de begraafplaats van enorme inspanningen en frustratie.
Bij Clalit hebben we de zogenaamde Innovatieafdeling opgericht, waarvan ik voorzitter ben. Haar rol is om dit werk te faciliteren, te helpen financieren en operationele ondersteuning te bieden. We hebben ook een netwerk van innovatie- en onderzoekscentra opgezet in al onze ziekenhuizen, die we financieel ondersteunen om ervoor te zorgen dat deze projecten goed worden uitgevoerd. En vervolgens wordt elk succesvol project opgeschaald.
Een van de belangrijkste vragen die u noemde is: wie gaat dit betalen? Preventie klinkt politiek aantrekkelijk, maar botst vaak met bestaande vergoedingsmodellen. Hoe heeft Clalit voorspellende gezondheidszorg economisch haalbaar gemaakt?
We hebben het geluk dat we actief zijn in een land waar het financieringssysteem voor de gezondheidszorg verschilt van dat in veel andere landen. In Israël heeft elke burger recht op een breed pakket aan gezondheidszorgdiensten, geleverd door een van de vier zorgorganisaties, waaruit patiënten vrij kunnen kiezen. Er is dus sprake van sterke concurrentie en een grote keuzevrijheid voor patiënten, wat altijd gunstig is.
Tegelijkertijd komt de financiering van de overheid via een capitatief model. Als Clalit, de grootste van deze vier organisaties en zorgverlener voor meer dan de helft van de bevolking van de wieg tot het graf, hoef ik me geen zorgen te maken of mijn patiënten rijk of arm zijn. De financiering komt niet rechtstreeks van hen. Ze komt van de staat.
Het is onze verantwoordelijkheid om de best mogelijke zorg te bieden en te concurreren op kwaliteit, service en resultaten. Omdat we al vele decennia voor patiënten zorgen, hebben we een sterke prikkel om niet alleen vandaag zorg te verlenen of volumes te maximaliseren, maar om mensen gezond te houden.
Deze prikkelstructuur, die in de loop der jaren zorgvuldig is opgebouwd in het Israëlische gezondheidszorgsysteem, brengt onze belangen in lijn met die van de patiënten. Patiënten willen gezond blijven. Wij hebben er ook belang bij dat ze gezond blijven, zodat het systeem economisch duurzaam blijft.
Ons model is niet gebaseerd op het vullen van ziekenhuisbedden en het genereren van inkomsten uit ziekenhuisopnames. In veel opzichten is het juist het tegenovergestelde. We zijn succesvol als patiënten op de lange termijn gezond blijven.
Kunt u nog een voorbeeld geven van een voorspellend model dat bij Clalit is geïmplementeerd en dat daadwerkelijk tot betere patiëntresultaten heeft geleid?
Een van de eerste vragen die je moet beantwoorden bij het implementeren van proactieve zorg is: wie moet als eerste proactieve zorg krijgen? Want op dit moment hebben we simpelweg niet genoeg middelen om iedereen tegelijkertijd proactief te begeleiden.
Daarom hebben we een complete reeks voorspellende algoritmen ontwikkeld voor verschillende medische domeinen. We kunnen vaststellen welke patiënten de grootste kans hebben op ernstige osteoporose en botbreuken. We kunnen voorspellen wie het grootste risico loopt op een cardiovasculair incident in de nabije toekomst. We kunnen zelfs inschatten wie de grootste kans heeft op ernstige complicaties door griep tijdens de winter en dus het meeste baat zou hebben bij vaccinatie.
Al deze voorspellende modellen komen samen in één systeem dat patiënten rangschikt voor elke huisarts. Hierdoor kunnen artsen direct zien welke patiënten als eerste aandacht nodig hebben.
Maar weten wie je moet behandelen, is slechts een deel van de uitdaging. Je moet ook weten welke actie je moet ondernemen.
Om dat te doen, bekijkt ons AI-systeem elke nacht het volledige medische dossier van elke patiënt. Het vergelijkt die informatie met de volledige medische kennis die in onze modellen is ingebouwd en genereert vervolgens concrete klinische aanbevelingen die aan de artsen worden gepresenteerd.
Laat me een praktisch voorbeeld geven. Stel dat ik gisteren een routinebloedtest heb gehad en de resultaten wijzen erop dat mijn nierfunctie is verslechterd. Mijn eGFR-waarde daalt onder de 30, wat betekent dat mijn nieren minder goed functioneren. Mijn arts bekijkt die laboratoriumresultaten misschien pas drie dagen later, en zelfs dan herinnert hij zich misschien niet meteen dat ik diabetes heb en momenteel diabetesmedicatie gebruik die niet langer geschikt is voor iemand met een verminderde nierfunctie.
Op dezelfde avond dat de bloedtest wordt uitgevoerd, markeert ons systeem de patiënt, identificeert het de waarschijnlijke aanvang van chronische nierziekte, beveelt het aan de diabetesmedicatie aan te passen en suggereert het zelfs welke alternatieve medicijnen in plaats daarvan overwogen zouden kunnen worden.
Al deze informatie wordt automatisch op een gefilterde, gestructureerde manier samengesteld en aan de arts geleverd. De arts bekijkt het, keurt het goed, en vervolgens wordt er automatisch een bericht naar de patiënt gestuurd met de tekst: “Uw arts heeft AI gebruikt om uw medisch dossier te bekijken. Er is een nieuwe behandelingsaanbeveling. Komt u alstublieft langs, zodat we de voorgestelde wijzigingen kunnen toelichten.”
En nogmaals, dit is geen theorie. We behandelen elke maand ongeveer 250.000 van dit soort gevallen, en dat aantal blijft stijgen.
Hetzelfde principe wordt al toegepast in ziekenhuizen. Als je bijvoorbeeld vandaag naar de spoedeisende hulp van een Clalit-ziekenhuis gaat en er wordt een röntgenfoto van je hand gemaakt, zal een AI-systeem automatisch mogelijke breuken voor de arts markeren met een klein geel rechthoekje op de afbeelding.
Dit is nu volledig geïntegreerd in de routinezorg. Het is bijna onmogelijk om beeldvorming uit te voeren zonder enige vorm van geautomatiseerde beslissingsondersteuning te ontvangen. Uiteindelijk neemt de arts echter nog steeds de uiteindelijke beslissing. AI is er om expertise te ondersteunen, niet om deze te vervangen.
We zouden piloten nooit vragen om blindelings te vliegen, simpelweg omdat ze ervaren zijn. Het zijn hoogopgeleide professionals, maar we voorzien hen nog steeds van elk instrument en elk stukje informatie dat beschikbaar is.
Artsen, verpleegkundigen en apothekers zijn niet anders. Het is onze verantwoordelijkheid om hen te helpen aan de top van hun vak te blijven, en dat is precies wat we proberen te doen.
Om AI-modellen en AI-algoritmen in klinische omgevingen te implementeren, moet je dus iedereen aan boord hebben, van clinici en verpleegkundigen tot patiënten, gezondheidszorgsystemen en regelgevers. De vraag is: waren artsen vanaf dag één enthousiast over AI?
Ik ben zelf arts, dus ik kan zeggen dat we moeilijk te overtuigen zijn, en terecht. We zijn te vaak teleurgesteld door beloften die nooit zijn waargemaakt. Dus wanneer er een nieuw apparaat, een nieuwe tool of een nieuwe aanbeveling opduikt, moeten we op een nauwgezette en evidence-based manier kunnen vaststellen dat we er daadwerkelijk op kunnen vertrouwen, en dat het geen extra problemen veroorzaakt, geen extra tijd kost of geen energie verspilt.
Dat zijn de twee dingen die artsen moeten voelen voordat ze bereid zijn iets nieuws toe te passen.
Daarom hebben we bij het ontwikkelen van deze tools de behoeften van clinici centraal gesteld en vanaf het begin een sterke wetenschappelijke basis gelegd. We hebben belangrijke opinieleiders uit alle domeinen ingeschakeld om de algoritmen te valideren en te bevestigen dat ze werken. We hebben clinici zelf ingezet als ontwerpers bij het vormgeven van de workflows en we hebben ervoor gezorgd dat deze systemen geen extra tijd zouden kosten, maar juist tijd zouden besparen.
We reserveren nu actief tijd voor proactieve zorg in de agenda's van artsen, en we betalen daarvoor. We zeggen tegen artsen: neem deze gereserveerde uren per week niet voor incidentele consulten, maar om patiënten proactief te laten komen.
Patiënten vinden het geweldig, en eerlijk gezegd, artsen ook. Op dit moment is het onderdeel geworden van het systeem zelf.
Om dit op grote schaal te laten werken, heb je echter ook sterk bestuur nodig. En op het gebied van AI is er vandaag de dag nog steeds een enorme kloof. Het is buitengewoon moeilijk.
Dit had niet kunnen gebeuren zonder een unieke samenwerking – ons klinisch leiderschap in de gemeenschap, onze IT- en ontwikkelingsafdeling en ons klinisch innovatieteam. Als je ver wilt komen, moet je samen gaan, als groep.
Omdat we al bijna 20 jaar op dit gebied werkzaam zijn, hebben we aanzienlijke ervaring opgedaan met het beheren van AI-systemen, lang voordat AI in de mode kwam. In 2010 noemden we het nog niet eens AI. We noemden het datamining, logistische regressie of voorspellende analyse. Daarna zijn we overgestapt op machine learning, deep learning en nu foundation-modellen. Tegenwoordig kan één model met één klik 1.200 voorspellingen genereren.
Maar uiteindelijk doet de terminologie er niet toe. Technologie evolueert, maar de centrale vraag blijft dezelfde: kun je de output vertrouwen?
Clalit heeft zelfs een governancekader opgesteld voor de introductie van AI in klinische omgevingen.
Je bedoelt OPTICA, wat staat voor “Organizational Perspective Checklist for Artificial Intelligence Solutions Adoption”. Het werd ongeveer een jaar geleden gepubliceerd in de AI-editie van het New England Journal of Medicine en is voor iedereen vrij toegankelijk. Optica is in wezen een reeks criteria, checklists en besluitvormingsworkflows die zorgorganisaties kunnen gebruiken bij het intern ontwikkelen of extern aanschaffen van AI-systemen. Het helpt organisaties er systematisch voor te zorgen dat wat ze implementeren echt verantwoorde AI is.
U moet bijvoorbeeld controleren of uw gegevens overeenkomen met het type gegevens waarop het model is getraind. U moet ervoor zorgen dat clinici de tool in hun workflows kunnen integreren. U moet zorgen voor cyberbeveiliging, gegevensprivacy, correcte machine learning-processen en betrouwbare modelprestaties op testdatasets.
Maar misschien nog wel het belangrijkste is dat u een continu plan nodig hebt voor follow-up, monitoring en evaluatie, omdat AI-systemen dynamisch zijn. U kunt vandaag een model implementeren en uitstekende prestaties zien, maar een jaar later kan het gedrag ervan drastisch veranderen, ook al heeft niemand het opzettelijk aangepast.
We hebben casestudy's die laten zien hoe veranderingen in datasets of organisatorische workflows de nauwkeurigheid van voorspellende modellen in de loop van de tijd volledig hebben getransformeerd.
Als u geen uitgebreid governancekader voor AI opzet, loopt u uiteindelijk tegen problemen aan. Tegenwoordig doorloopt elke AI-oplossing die bij Clalit wordt gebruikt, of deze nu intern is ontwikkeld of extern is aangeschaft, het OPTICA-kader. Andere gezondheidszorgsystemen over de hele wereld hebben dit ook overgenomen en overheden beginnen nu soortgelijke benaderingen te implementeren.
Waar moet een zorgorganisatie die AI wil toepassen beginnen?
Mijn eerste aanbeveling is simpel: data is koning, zorg beter voor uw data.
U kunt het meest geavanceerde model bouwen dat u zich kunt voorstellen, maar als uw data onvolledig, beschadigd, inconsistent of vol ontbrekende elementen is, zult u falen. Het eerste wat elke organisatie zich dus moet afvragen is: welke belangrijke resultaten willen we eigenlijk verbeteren? Zodra u dat weet, moet u ervoor zorgen dat de cruciale data-elementen systematisch, betrouwbaar en in een machinaal leesbaar formaat worden verzameld.
U hebt niet elk mogelijk gegevenspunt nodig. In veel gevallen komt 80% van de waarde voort uit 10% van de gegevenselementen. Identificeer die essentiële elementen en zorg ervoor dat ze betrouwbaar zijn. Zodra u die basis hebt, kunt u veel bereiken.
En u hoeft niet te beginnen met de meest geavanceerde modellen of omvangrijke basismodellen. Begin met eenvoudige, op vergelijkingen gebaseerde tools die al een betekenisvol verschil maken. Bouw geleidelijk vertrouwen op en introduceer vervolgens in de loop van de tijd meer geavanceerde methoden.
Tegenwoordig is er een andere aanpak waarbij organisaties gewoon geïntegreerde AI-oplossingen als complete pakketten aanschaffen. Dat kan ook werken, maar als u die route volgt, moet u er eerst voor zorgen dat het systeem presteert zoals geadverteerd in uw eigen organisatie, dataomgeving en unieke omstandigheden, voordat u zich er volledig aan committeert.
Op welke gebieden denkt u dat voorspellende gezondheidszorg de grootste klinische impact zal hebben?
Ik ben van mening dat elke zorgorganisatie moet beginnen met beeldvorming, omdat beslissingsondersteuning op het gebied van beeldvorming momenteel het meest geavanceerde gebied is wat betreft evidence-based toolsets en workflows voor clinici. Daarna denk ik dat organisaties zich moeten richten op het integreren van voorspellende modellen in de preventieve geneeskunde om de juiste patiënten te identificeren voor de juiste interventies op het juiste moment – dit is uw beste kans om de zorg echt te transformeren in termen van patiëntgerelateerde resultaten.
