Artificial intelligence in de zorg
Artificial intelligence in de zorg
Artificial intelligence (AI) is een veelbelovende technologie, en een veelgehoorde term in de gezondheidszorg. Er wordt veel gesproken over de potentie ervan, toch zien we nauwelijks concrete toepassingen van AI in de Nederlandse (en internationale) zorg. Het LUMC wil daar verandering in brengen.
Wij zijn CAIRELab - Clinical AI Implementation and Research Lab. Wij richten ons op de implementatie en waardebepaling van AI in de medische praktijk. De interdisciplinaire samenwerking tussen onder andere zorgverlener, data scientist en onderzoekers zorgt voor de toepassing van waardevolle AI. Dat doen we vaak zelf, en als het kan ook met partners.en
AI & het LUMC
AI & het LUMC
In het LUMC geloven we dat kunstmatige intelligentie (AI) een waardevolle bijdrage kan leveren aan waardegedreven zorg. Enerzijds door een betere zorgervaring voor patiënten en medewerkers, anderzijds door betere klinische uitkomsten. Daarom zetten we stappen in het toepassen van verschillende vormen van AI, van voorspellingsmodellen voor ziektebeelden tot beeld- en spraakherkenning voor het automatiseren van repetitieve taken, tot het inzichtelijk maken van complexe stuurinformatie.
Op deze website delen wij kennis en ervaringen op het gebied van AI, technologie en andere vormen van digitale innovatie. Door het delen van die kennis en ervaringen, bereiken we sneller ons doel: een nóg betere zorg in Nederland.
We zien onszelf als een innovator en een doener. We passen technologie toe in het zorgproces, en we leren door te doen. Dat gebeurt uiteraard op verantwoorde wijze, waarbij de medisch professional altijd betrokken is en de leiding heeft.

Blogs en achtergrond
-
CAIRElab 1 jaar: Gelukkig zijn we er nog niet
Door: Marjolein Elderhorst, voorzitter kernteam CAIRELab
Een jaar geleden alweer, op 13 februari 2020 lanceerden we het CAIRElab; de LUMC brede organisatie om responsible AI te implementeren en wetenschappelijk onderzocht te krijgen naar toegevoegde waarde in de medische praktijk.
Wat we bij de start niet wisten is dat de insteek van een figuurlijke virtuele LUMC overstijgende organisatie, ook bijna al een jaar lang letterlijk ‘virtueel’ betekent. Met deze opzet hebben we responsible AI weten te organiseren in het LUMC, de eerste roadblocks weten te tackelen, meerdere translationele AI-toepassingen de kliniek in geholpen, ethics by design geïntroduceerd, eerste juridisch hordes aangepakt én wetenschappelijke papers geschreven. En belangrijkste van alles: met plezier en passie bruggen weten te slaan tussen de experts in geneeskunde en die van data science.
Het CAIRElab verbindt de initiatieven en expertises op responsible en translationele AI in het LUMC. Er zijn 6 werkgroepen opgericht (onderwijs, gebruikersparticipatie, data & modelling, wetenschappelijke validatie, implementatie en opschaling) Medische experts van Radiologie tot Interne Geneeskunde, data scientists, verander-experts, juristen, ethici, techneuten en onderzoekers, komen hierin bijeen en delen kennis en expertise, ontwikkelen AI-toolboxen voor andere ontwikkelaars en onderzoekers en delen best practices.
En zijn we er dan? Ik zou zeggen “gelukkig” nog niet. Gelukkig met een knipoog, want natuurlijk weten we dat de toegevoegde waarde van AI in het ziekenhuis tot bloei brengen een uitdaging is, dat tijd en doorzettingsvermogen kost en willen we dat dit sneller gaat. Desalniettemin is het een mooie, leerzame en uitdagende reis, waar we met gedreven en slimme mensen met plezier aan werken en voor mijn gevoel goed op stoom zijn en de juiste dingen doen. Een mooi vooruitzicht om verdere stappen te kunnen zetten.
Speerpunt blijft om de connectie met zorgverleners nog verder uit te breiden en vanuit gebruikers en de medische kennis de juiste AI-toepassing aan te boren, deze zo in de workflow te integreren dat AI echt gebruikt wordt en wat toevoegt.
Daarnaast richten we ons de komende tijd ook op samenwerkingen over de LUMC grenzen heen. Nu we intern elkaar weten te vinden kunnen we van nog meer meerwaarde zijn en impact maken in zorgend Nederland, Internationaal en buiten de muren van het LUMC. Het is belangrijk dat we krachten bundelen, als LUMC alleen komen we er niet en het zou zonde zijn dit niet met elkaar te doen.
Hiervoor breiden we samenwerkingen uit met andere UMCs, Universiteit Leiden en Computer Science faculteit, NeLL, VWS en ECP. En we willen over de landsgrenzen heen samenwerken met toonaangevende buitenlandse universiteiten op het gebied van responsible en translationele AI. We zetten ook in op publiek-private samenwerkingen, waar we met bedrijfsleven kijken hoe gemeenschappelijk versnelling kunnen aanbieden aan AI toepassingen, denk hier bij aan initiatieven zoals we afgelopen jaar als startten met Philips, Pacmed, Healthcare Plus, Google/CTS, Cape AI en anderen.
Hopelijk kunnen we dat komend jaar naast virtueel ook als fysieke organisatie voortzetten!
-
Blog: Hoe we meer kunnen doen met de anamnese
Door: Martijn Bauer
De anamnese, het gesprek tussen arts en patiënt waarbij duidelijk wordt wat de precieze klachten van de patiënt zijn, vormt de eerste stap op weg naar een diagnose. In de meeste gevallen is een goed afgenomen anamnese zelfs de meest zwaarwegende factor bij het stellen van de diagnose. Op grond van wat een arts al over een patiënt weet (‘een man van 62 jaar oud met suikerziekte die flink rookt’) en de gegevens uit de anamnese (‘sinds een uur een drukkende pijn midden op de borst die naar de linker arm uitstraalt, niet erger wordt bij ademen of eten, en gepaard gaat met misselijkheid, zweten en een angstig gevoel’) maakt de arts een inschatting van wat er aan de hand zou kunnen zijn. Daar volgt vaak een lichamelijk onderzoek op waarvan de bevindingen ook weer invloed hebben op deze inschatting. In dat stadium stopt de diagnostiek soms, als de diagnose duidelijk genoeg is, of er volgt aanvullend onderzoek (laboratoriumonderzoek, beeldvormend onderzoek, functie-onderzoek, etc.) om meer zekerheid te krijgen.
Ondanks het belang van de anamnese voor het stellen van de diagnose is de anamnese nog erg ambachtelijk en heeft deze weinig ontwikkeling doorgemaakt. Artsen leren in de loop van hun carrière steeds beter hoe ze de juiste vragen moeten stellen en hoe zwaar ze welk antwoord ongeveer moeten wegen. Als patiënt ben je dus afhankelijk van de ervaring van de arts en ook van diens vermogen om patronen te herkennen. Daarnaast is van de bevindingen tijdens de anamnese meestal niet bekend welk effect die op de kans op een bepaalde diagnose hebben. Om die reden zou het fijn zijn als we meer weten over de waarde van bevindingen tijdens de anamnese. Het zou helemaal mooi zijn als er in de toekomst diagnostische clinical decision support systems zijn, waarmee de arts ondersteund wordt bij het stellen van een diagnose. Zo’n systeem zou anamnesegegevens mee moeten wegen en de arts een lijstje van diagnoses met bijbehorende waarschijnlijkheden moeten geven. Idealiter suggereert het systeem ook aanvullende vragen die goed kunnen differentiëren tussen verschillende diagnoses.
Het probleem is alleen dat de anamnese een natuurlijk gesprek is (en moet blijven!) tussen arts en patiënt. Tijdens dit gesprek noteert de arts een samenvatting van de bevindingen in het dossier, terwijl hij of zij tegelijkertijd de woorden van de patiënt interpreteert. Die bevindingen staan in vrijetekstvelden en de gegevens zijn dus moeilijk toegankelijk voor wetenschappelijk onderzoek en voor slimme technologie. Er is geen duidelijke standaard voor het noteren van de bevindingen, waardoor artsen op veel verschillende manieren gegevens vastleggen In een recent artikel in het Nederlands Tijdschrift voor Geneeskunde pleiten we daarom voor een standaard voor het noteren van de bevindingen tijdens de anamnese. We pleiten dus niet voor het anders uitvoeren van de anamnese – deze zal nooit de vorm van een invuloefening krijgen en dat is ook niet wenselijk, want daarmee gaat veel waardevolle informatie verloren. Het verkrijgen van gestructureerde gegevens van de anamnese is ook een van de doelen die we beogen met een van de projecten in het LUMC: we ontwikkelen met behulp van AI een webapplicatie, een zogenaamde digital scribe. Deze AI-applicatie luistert mee met het gesprek tussen arts en patiënt, zet spraak om naar tekst en doet een voorstel voor een samenvatting aan de arts. De arts hoeft zo niet meer de hele tijd te typen en kan zich beter focussen op de patiënt en daarnaast kunnen zo gestructureerde gegevens van de anamnese beschikbaar komen. Als het meezit heeft straks elke arts toegang tot slimme technologie die hem of haar ontlast bij de administratie en tegelijkertijd helpt bij het stellen van de juiste diagnose.
-
Cursus AI in Healthcare
De theorie en praktijk van kunstmatige intelligentie
Het LUMC streeft ernaar om waardegedreven zorg te integreren in de zorgpraktijk. Kunstmatige intelligentie speelt daarbij een belangrijke rol. De cursus AI in Healthcare past daarom helemaal bij die doelstelling. Siri van der Meijden vertelt wat ze tijdens de cursus leerde.
De laatste jaren worden er steeds meer medische gegevens over patiënten verzameld. Door slimme technologie in te zetten op basis van die data, kan bijvoorbeeld ziektebeeld en -verloop bij een patiënt voorspeld worden. Dat kan leiden tot betere zorg, onder andere door accuratere risico-inschatting, snellere behandelingen en ondersteuning van artsen. Op dit moment wordt de waarde van kustmatige intelligentie (vaak afgekort als AI) voor de klinische praktijk volop wetenschappelijk geëvalueerd.
Bruikbare en waardevolle AI
Esmee Stoop is data scientist en kernteamlid van CAIRELab. Deze LUMC-organisatie wijdt zich aan het bruikbaar maken van waardevolle AI in de zorg. Esmee zette de cursus ‘AI in Healthcare’ op en leidde hem vorige maand. “De cursus is voor PhD-studenten, post-docs en andere zorgprofessionals. Ze leren wat kunstmatige intelligentie is, hoe je het doelmatig kunt toepassen op medische data en hoe je data met behulp van AI op een effectieve manier kunt verwerken en gebruiken”, zegt ze.Aan het eind van de cursus konden deelnemers zelfstandig een dataset ‘preprocessen’ en bij problemen of vragen een antwoord vinden. Ze weten welke stappen een AI-project kent, kunnen een model maken en dat op de juiste manier valideren. Daarbij is zijn ze volgens Esmee op de hoogte van voordelen, nadelen en mogelijke obstakels.
Patronen herkennen
Deelneemster Siri van der Meijden is masterstudent Klinische Technologie. Ze studeert af met een onderzoek op de Intensive Care. Zij vond de cursus een laagdrempelige manier om kennis te maken met de toepassing van AI in een klinische setting. “In mijn onderzoek naar het voorspellen van heropnames van IC-patiënten gebruik ik geanonimiseerde gegevens. Daarin zijn patronen te ontdekken, waarmee je voorspellingen kunt doen.”Kwaliteit data cruciaal
“In de cursus werd aangestipt dat de kwaliteit van de data waarop je een AI-model baseert, heel belangrijk is”, zegt Siri. “We verzamelen als ziekenhuis veel gegevens, maar vaak nog niet op een gestandaardiseerde manier, of ze zijn op verschillende plekken te vinden. De data moeten dan eerst gecontroleerd en samengevoegd worden voordat je er iets zinnigs mee kunt doen.” Tijdens de cursus werd de theorie steeds gecombineerd met een programmeerpracticum, zegt Siri. “Zo werd de theorie meteen bruikbaar en inzichtelijk voor ons. Daarbij werden voorbeelden uit de medische praktijk in het LUMC gebruikt.”Brug slaan naar praktijk
De masterstudent is erg te spreken over CAIRElab, dat onderzoekt hoe AI klinisch waardevol kan zijn. “Er bestaan genoeg goede programmeurs, maar het is nog best moeilijk om de stap naar de zorgpraktijk te maken. Ik vind de vraag hoe je een brug slaat tussen de IC-praktijk en een goed algoritme heel interessant. Daar wil ik me ook na mijn opleiding graag mee bezighouden.”
In het nieuws
In het nieuws
LUMC berekent longschade Covid-19 patiënten met AI software
Zorgprofessionals in het Leids Universitair Medisch Centrum (LUMC) kunnen met behulp van kunstmatige intelligentie (AI) snel en gemakkelijk berekenen of een coronapatiënt ernstige longschade heeft opgelopen. Dit doen ze door een CT-scan door de AI-software van het programma CAD4COVID-CT te halen. De software is ontwikkeld door het bedrijf Thirona en wordt in het LUMC toegepast via Philips Intellispace AI Workflow Suite.
Lees het hele bericht op LUMC.nl.

Eerder in het nieuws
-
BNR RADIO - Hoe ondersteunt kunstmatige intelligentie de medische zorg?
AI kan artsen helpen, bijvoorbeeld bij het stellen van diagnoses en bepalen wanneer een patiënt naar huis mag. Maar welke taken mag de computer van de arts overnemen? En waar moet je dan extra goed op letten? Luister naar de aflevering van BNR Techniektour van dinsdag 5 januari waarin twee experts van CAIRELab en LUMC hier meer over vertellen.
De aflevering is terug te luisteren via deze link.
-
Webinar Grenzeloos Beter gemist?
Donderdag 12 november organiseerden LUMC Zorg van Waarde, CAIRELab en NeLL een webinar over de belangrijkste ervaringen van thuismonitoring. Heb je dit gemist? Via deze link ben je in een uurtje op de hoogte van alle ins en outs van ervaringsdeskundigen.
Sprekers
Tafelheer Niels Chavannes leidt (Hoogleraar eHealth en oprichter van NeLL) het gesprek.De juiste zorg bij thuismonitoring
Douwe Atsma (Hoogleraar Cardiologie-innovatie)
Martine de Vries (Hoogleraar Medische Ethiek)
Esmee Stoop (Data Scientist CAIRElab)
Daniel Tijink (ECP | Platform voor de InformatieSamenleving)Zorg op de juiste plek en samenwerken in de regio
Andrea van der Meulen (Medisch specialist MDL)
Nicoline van Hattem (Huisarts in opleiding)
Alma van Meurs (Projectleider zorgtechnologie bij Florence) -
NIEUWS – Artificial Intelligence software voorspelt kans heropnames op IC
Het LUMC gaat de inzet van kunstmatige intelligentie (AI) op de Intensive Care testen. De software Pacmed Critical voorspelt de kans dat een patiënt moet worden heropgenomen na een ontslag van de Intensive Care.
Het voorspellingsmodel op basis van de verzamelde data kan de arts ondersteunen in zijn of haar beslissing om een patiënt te ontslaan. Op basis van duizenden kenmerken van opname en patiënt, zoals hartslag, bloeddruk en diagnose, kan het AI-model de intensivist ondersteunen bij het maken van die beslissing.
Het model levert benodigde informatie voor een beslissing in een overzichtelijk dashboard, met daarbij de onderbouwing waarom Pacmed Critical die risico-inschatting geeft. De kans op een te vroeg of een te laat ontslag kan hierdoor worden verkleind. Dit met als doel het kwaliteit van zorg, de patiëntervaring, ligduur en IC-beddendruk te optimaliseren. De AI wordt stapsgewijs getest en bij succes verder geïmplementeerd.
Zorgvuldig ontslaan van patiënten
Volgens anesthesioloog-intensiviste Sesmu Arbous moet het ontslaan van patiënten van de Intensive Care uiterst zorgvuldig gebeuren. “Een te vroeg ontslag vergroot de kans op een heropname, vaak met ernstige gevolgen. Een te laat ontslag kan leiden tot onnodig langere ligduur, met vertraging in het revalidatieproces, onnodige psychische effecten op de patiënt en verhoogde beddendruk als gevolg. Met deze slimme ondersteuning hopen we een extra tool te hebben om meer personalized medicine op de IC toe te passen en de risico’s te verkleinen.”
AI cursussen
AI cursussen
Wil jij ook leren hoe je moet programmeren? Hoe werkt deep learning? En Python? Hieronder een aantal fijne links.
Analyze data with Python.
Level: Beginner
https://www.codecademy.com/learn/paths/analyze-data-with-python
Programming for everyone – Getting started with Python
Level: Beginner
https://www.coursera.org/learn/python
Introduction into Pandas – Applied data science with Python Specialization
Level: Intermediate, a basic python or programming background is necessary.
https://www.coursera.org/specializations/data-science-python
Deep learning
Level: Intermediate, experience with Python is recommended. Also knowledge about linear algebra and differential equations is useful.
https://www.deeplearning.ai/deep-learning-specialization/
Machine Learning with Python: from Linear Models to Deep Learning
Level: Advanced
https://www.edx.org/course/machine-learning-with-python-from-linear-models-to

Video item LUMC

Hoe brengen we AI naar de kliniek
Om tot een bruikbare en waardevolle toepassing van AI in de zorg te komen, is het van belang om zowel de zorgprofessional als de AI-specialist gezamenlijk te betrekken bij de ontwikkeling ervan. In het LUMC zijn er meerdere voorbeelden van AI-toepassingen en –proefprojecten, zoals:
- Snellere MRI-scans
- Spraakherkenning in de spreekkamer
- Beeldherkenning en automatische rapportage op radiologische beelden
- Herkennen van (hart)afwijkingen op echografieën
- Administratie en planning
- Hackathon: vroegtijdige melanoomherkenning
- Infectieherkenning en risicovoorspelling
- Voorspellen van de kans op heropnames op de IC
Over ons
Over ons
CAIRELab richt zich op de stappen voor, tijdens en na de ontwikkeling en implementatie van AI-modellen, maar ook op de noodzakelijke randvoorwaarden. We zijn georganiseerd met een stuurgroep en een kernteam. Vanuit het kernteam zijn werkgroepen ontstaan met ieder een eigen focus.
De werkgroepen richten zich op eigen themagebieden. Door per thema een werkgroep op te richten, kunnen we sneller en gerichter kennis delen. CAIRELab bevat op dit moment de volgende werkgroepen, met daarbij de volgende voorzitters vanuit het kernteam:
- Onderwijs - Esmee Stoop (Data Scientist)
- Eindgebruikers participatie - Martijn Bauer (Internist)
- Ethiek & Recht - Kim Bavinck (Juriste) en Martine de Vries (Hoogleraar Medische Ethiek)
- Wetenschappelijke Validatie - Ilse Kant (Postdoc Klinische AI)
- Implementatie - Stephan Romeijn (Klinisch Technoloog)
- Opschaling - Hine van Os (Arts-Onderzoeker Neurologie)
- Data & Modelling - Marco Spruit (Professor Advanced Data Science in Population Health)
Daarnaast zijn vanuit het kernteam nog de volgende mensen betrokken:
- Marjolein Elderhorst (Voorzitter)
- Charlotte van Leeuwen (Programmacoördinator)
- Marius Staring (Associate Professor LKEB)
- Tanja Alderliesten (Associate Professor Radiotherapie)
Heeft u vragen, suggesties of opmerkingen? Stuur dan een mail naar ai@lumc.nl.