Kuipers reageerde afgelopen week in een Kamerbrief op een motie van Tweede-Kamerlid Joba van den Berg van het CDA van 8 maart. De motie betrof het in kaart brengen van de ervaringen en resultaten met systemen met kunstmatige intelligentie voor de aanrijtijden van ambulances. De minister schrijft dat hij Ambulancezorg Nederland (AZN) en Zorgverzekeraars Nederland (ZN) gevraagd heeft hem te informeren
over de ontwikkelingen rondom kunstmatige intelligentie in de ambulancezorg. Hij stelt de Tweede Kamer vóór het zomerreces deze informatie te zullen geven.
Aanrijtijden ambulances stijgen
De aanrij- of responstijden van ambulances stijgen al jaren. In 2021 concludeerde de Nederlandse Zorgautoriteit (NZa) dat het bij slechts zes van de 25 regionale ambulancevoorzieningen (meestal) goed gaat. 15 ambulancevoorzieningen zagen de responstijd in 2020 achteruitgegaan -soms behoorlijk - ten opzichte van 2019, toen de normen ook al niet werden behaald.
Volgens de NZa was de verdere achteruitgang deels het gevolg van de coronacrisis. Na het vervoer van coronapatiënten was er bijvoorbeeld extra tijd nodig voor het schoonmaken van ambulances en het omkleden van personeel. Andere oorzaken zijn structurele personeelstekorten, Doordat opleidingen stil kwamen te liggen als gevolg van de coronapandemie, stroomde er ook minder personeel in. Daarnaast werden pilots om de responstijd te verbeteren tijdelijk stopgezet.
De ambulancezorg heeft als streefnorm dat in 95 procent van de spoedmeldingen – de A1-meldingen – binnen 15 minuten na aanname van de melding een ambulance ter plaatse is. In 2020 arriveerde 95 procent van de ambulances binnen 16,46 minuten bij een patiënt, terwijl dit in 2019 nog binnen 16,06 minuten lukte. Volgens de NZa hebben zorgverzekeraars overigens aangegeven dat de toegankelijkheid van zorg niet in het geding zou zijn geweest. Huisartsenposten, ROAZ’s en toezichthouder IGJ hebben hier ook geen signalen over afgegeven.
Dynamisch ambulance management
Zorgverzekeraar CZ nam middels haar investeringsmaatschappij CbusineZ in 2020 een belang in Stokhos, dat een systeem heeft ontwikkeld om met behulp van big data en data science, de aanrijtijden van ambulances te verkorten. Het big-datasysteem is ontstaan vanuit een onderzoeksproject van de TU Delft en het Centrum Wiskunde en Informatica. In dat project werden algoritmes ontwikkeld voor dynamisch ambulance management met als doel de performance van het ambulance systeem te verbeteren.
“Als oplossing voor de te lange aanrijtijden wordt nogal eens als eerste gedacht aan het kopen van meer ambulances", stelde Rogier van der Hooft, raad van Bestuur van CbusineZ, destijds. "Los van de investering van de ambulance is ook het benodigde gespecialiseerde personeel nauwelijks te krijgen. Wij denken dat het daarom extra urgent is dat je eerst kijkt of je de huidige capaciteit niet beter kan benutten en we weten dat dit systeem daarbij kan helpen."
Het systeem gebruikt historische data over de inzet van ambulances. Met die data kan een betere voorspelling van de verwachte vraag voor de inzet van ambulances berekend worden. Bovendien geeft het systeem ook een beter inzicht in de inzetbaarheid van de ambulances. Zo kan de voorhanden zijnde capaciteit effectiever benut worden. Zo kan het uiteindelijke doel van het systeem behaald worden: het verkorten van aanrijtijden.
Zelflerend AI-model
Ook in het buitenland wordt gewerkt aan verkorten van aanrijtijden met behulp van AI. Brandweerman en paramedicus Mark Schleider uit Keulen ontwikkelde tijdens zijn studie informatica aan de technische universiteit van Bingen een zelflerend AI-model dat de drukte op de spoedeisende hulp kan voorspellen. Daarmee kunnen de SEH’s vervolgens zorgen dat er op de momenten dat het drukker dreigt te worden voldoende capaciteit is om de wettelijk verplichte aanrijtijden te kunnen waarborgen.
De brandweerman maakte tijdens zijn studie voor de ontwikkeling van het AI-model net als het systeem van Stokhos gebruik van historische data over de inzet en piekbelasting van ambulancediensten in grote steden. Het zelflerende AI-model moet op basis van historische en toekomstige data steeds beter in staat zijn de verwachte piekbelastingen te voorspellen.
“Er zijn momenten dat een ambulancedienst het zo druk heeft dat alle middelen van een regio gelijktijdig ingezet moeten worden. Dat kan bij een volgende noodsituatie dan leiden tot langere wachttijden. Dergelijke pieken kunnen we opvangen met externe dienstverleners of voertuigen uit naburige regio’s”, aldus Schleider.
