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.”

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.”

Lees verder op lumc.nl.