XUND: ‘AI maakt planning op spoedeisende hulp mogelijk’
Wereldwijd groeit het aantal patiënten op de spoedeisende-hulpafdelingen. Die afdelingen moeten hun middelen zo effectief mogelijk beheren en tegelijk zoveel mogelijk patiënten de beste zorg bieden. De voorspelmodellen van de Oostenrijkse Health Tech startup XUND helpen daarbij. Tijd voor een revolutie met AI op de spoedeisende hulp.
Van symptomen, persoonlijke risicofactoren tot demografische gegevens van klanten, patiënten en werknemers. Door gebruik te maken van AI (Artificial Intelligence) analyseert en verwerkt XUND in een voorspelmodel kennis uit ongestructureerde en medische documenten. Dit om de ontwikkeling van digitale gezondheidsoplossingen te versnellen.
Al die data helpen om symptomen beter te begrijpen, betrouwbaardere beoordelingen te krijgen over mogelijke oorzaken van medische klachten en over de juiste volgende stappen.
Daarvoor heeft de startup een medisch goedgekeurde API ontwikkeld. Daarmee zijn al met succes zorgoplossingen voor de verzekeringssector ontwikkeld. Onder andere met Wiener Städtische Versicherung in Oostenrijk en Generali in Duitsland. XUND maakt bij de ontwikkeling van de voorspellingsmodellen onder meer gebruik van de Engelstalige MIMIC-databank van het Massachusetts Institute of Technology (MIT).
AI en spoedeisende hulp
Nu zet XUND steeds meer stappen in de zorgsector, ook in ons land. Wat als je aan die gegevens uit documenten patiëntengegevens toevoegt? Kun je met deze Patient Generated Health Data (PGHD) voorspelmodellen ontwikkelen die de zorg op de spoedeisende hulp verbeteren?
Dat onderzoekt het Oostenrijkse bedrijf in het project PREMEDICAL: Predicting Patient Outcomes in Emergency Departments with Causal Machine Learning. Hiervoor ontvingen ze onlangs een forse subsidie van bijna een miljoen euro vanuit het Oostenrijkse Agentschap Förderung von der Österreichischen Forschungsförderungsgesellschaft (FFG). In het project werkt het bedrijf samen met de Medische Universiteit van Graz, de Technische Universiteit van Wenen en zorggroep KAGes.
Lisanne Brenkman, Business Development Manager bij XUND: “We onderzoeken samen de ontwikkeling van voorspelmodellen op basis van machine learning om de ambulante zorg in ziekenhuizen te verbeteren. We verzamelen niet alleen historische gegevens uit de klinische omgeving, maar ook de PGHD. Deze aanvullende medische informatie moet helpen om het voorspelmodel nog robuuster en betrouwbaarder te maken.
Datamining en triage
Brenkman: “Een dergelijke beslisondersteuning zou allerlei nieuwe toepassingsgebieden openen, vooral in de ziekenhuissector. We geloven dan ook dat kunstmatige intelligentie een revolutie teweeg kan brengen in de spoedeisende hulp. AI-oplossingen kunnen zorgverleners helpen tijd te besparen, diagnoses te verbeteren en patiënten effectiever te triageren.”
Triage wordt bijvoorbeeld efficiënter dankzij datamining. Met de inzichten daaruit wordt het volgens Brenkman voor zorgprofessionals makkelijker om patiënten te ordenen op basis van de ernst van hun symptomen. “Zo kunnen ze sneller prioriteiten stellen voor wie ze wanneer moeten behandelen.”
Risicobeoordelingen
Daarnaast maakt AI het makkelijker om risicobeoordelingen te maken. Hierdoor hoeven patiënten op de lange termijn minder snel opnieuw de spoedeisende hulp te bezoeken. Deze beoordelingen zijn onder meer gebaseerd op de leeftijd van de patiënt, de eventuele aanwezigheid van een chronische ziekte heeft, de resultaten van labtests, de voorgeschreven medicatie en diagnoses uit het verleden.
“Zorgprofessionals kunnen dankzij deze kennis makkelijker extra ondersteuning bieden om de kans op een nieuw ziekenhuisbezoek te verkleinen”, stelt Brenkman.
Minder druk op zorg
Andràs Barta, hoofd van het medische team van XUND: “Op lange termijn betekent dit minder druk op de gezondheidszorg in het algemeen en betere gezondheidsresultaten voor risicopatiënten.”
“Ook de werkdruk voor het personeel op de spoedeisende hulpafdelingen neemt af dankzij de voorspelmodellen. Personeel kan beter roosters indelen en hun middelen effectiever plannen en toewijzen. Uiteindelijk leidt het tot efficiëntere spoedeisende hulpafdelingen. Professionals krijgen meer tijd hebben om prioriteiten te stellen en patiënten de hoogwaardige zorg te bieden die ze nodig hebben. Want uiteindelijk doen we het natuurlijk allemaal voor de patiënt.”