Spannend!
Onze eerste nieuwsbrief. We zijn met veel enthousiasme begonnen dit jaar en merken dat er veel interesse is voor onze propositie. AIWorX wil AI toegankelijk maken voor de zorg! Dat doen we met een platform, een soort stekkerdoos, waarin we AI-modellen naadloos integreren in de bestaande werkprocessen van specialisten.
We hebben inmiddels 5 pilotprojecten opgestart bij diverse ziekenhuizen in Nederland op diverse vlakken; zo zijn we bezig met AI-toepassingen voor audiologie, radiologie, cardiologie en optometrie. Wilt u de mogelijkheden verder ontdekken? Neem contact met ons op.
Al deze projecten hebben 1 gemeenschappelijk doel; de zorg beter en efficiënter maken! Door het gebruik van AI kunnen we eerder ziektebeelden signaleren, ondersteunen we bij diagnoses, kunnen we overbodige consults voorkomen en zorgen we in algemene zin voor een betere holistische benadering van de gezondheidszorg. Jeroen Bos, medeoprichter van AIWorX schreef daar de volgende blog over;
AI is méér dan imaging
Wat komt als eerste naar boven als je denkt aan Artificiële Intelligentie (AI) binnen de zorg? Wellicht gaan je gedachten meteen uit naar beelden en de beoordeling daarvan. Of denk je eerder aan de profetische belofte die AI lijkt te maken? AIWorX is van mening dat een holistische benadering rand voorwaardelijk is om AI succesvol toe te passen in de zorg.
Dat klinkt heel mooi, holistische AI, maar wat betekent dat dan? Holistische AI behelst de integratie van informatie op verschillende niveaus. Je kijkt naar een bredere dataverzameling en de verbanden daarbinnen.
Een wat complexer voorbeeld van een holistische benadering is die van de multi-omics: dit is een biologisch analytische benadering die inhaakt op verschillende lagen van de mens. Denk hierbij aan het combineren van data van het genoom, proteoom, microbioom, etc. waarbij de relatie tussen deze verschillende lagen beoordeeld wordt.
Het kan echter ook eenvoudiger; stel, je wil een vangnet creëren voor omissies bij het beoordelen van beelden, dan zouden bijvoorbeeld lab uitslagen een vertrekpunt kunnen zijn. Een voorbeeld hiervan is een verhoogde D-dimeer waarde die kan wijzen op een longembolie. Door de verslaglegging te beoordelen kunnen we vaststellen of een longembolie is uitgesloten of dat er niet naar is gekeken. Dit kun je met AI automatiseren. In ons workflow-platform AI Analyzer kunnen we op eenvoudige wijze een workflow starten op het moment dat er een verhoogde D-dimeer is geconstateerd. Via Natural Language Processing (NLP) beoordelen we de betreffende verslagen en proberen we de omissie uit te sluiten. Lukt dit uitsluiten niet, dan kan er een bericht gestuurd worden naar de radiologie werklijst met de bevindingen zodat de radioloog weet dat hij er nog eens naar moet kijken.
Aanvullend kan automatisch een AI-beoordeling van de beelden plaatsvinden met een AI-model getraind voor het detecteren van longembolieën. Het zal je als lezer wellicht niet veel moeite kosten om een aantal vergelijkbare scenario’s te bedenken? AI kan zo op een laagdrempelige manier een belangrijke impuls geven aan de kwaliteit van de geleverde zorg door juiste en vroegtijdige signalering.
Deze holistische aanpak draagt bij aan een betere zorg en levert ook een efficiëntere inzet van AI op. Zo kost het analyseren van beelden, in tegenstelling tot de genoemde NLP, veel dure rekenkracht en dus geld. Door slimmer en gerichter om te gaan met AI, kunnen kosten worden bespaard. Je voert gericht onderzoek uit wanneer het nodig is in plaats van standaard (onnodig) routineonderzoek voor een grotere groep patiënten.
Naast het belang van holistische AI voor patiënten, zijn er voordelen voor andere gebieden binnen zorginstellingen. Door het combineren van data uit het EPD en verschillende afdelingen van het ziekenhuis, kan er bijvoorbeeld beter inzicht worden gekregen in de bezetting van bedden of de keuzes voor bepaalde zorgpaden (dbc’s).
Op dit moment zijn er vele AI-modellen beschikbaar maar de functionaliteit wordt vaak in de weg gestaan door de extra handelingen die de specialist moet uitvoeren. Dit is in pilot fases nog te doen maar bij routinematig gebruik en bij een toename van het aantal AI-modellen is een stand-alone benadering van modellen niet schaalbaar.
AIWorX biedt dé oplossing om AI op een holistische manier soepel te integreren binnen de bestaande werkprocessen van zorginstellingen. Wij bieden u de flexibiliteit om zelf te experimenteren met AI in een veilige omgeving. Bovendien zorgt ons platform voor de juiste governance van AI-oplossingen met betrekking tot beheer, workflow, communicatie, privacy en veiligheid (MDR).
Bent u benieuwd naar AI en MDR? Daar komen we in onze volgende nieuwsbrief uitgebreid op terug.
— einde blog —
AIWorX update
Na 5 maanden onderweg te zijn delen we graag de volgende informatie met u;
- Heeft u ons webinar “AI voor cardiologen” gemist? De opname kunt u hier terugkijken
- Wilt op u op de hoogte blijven van de ontwikkelingen van AIWorX? Volg ons op LinkedIn
- Heeft u het themanummer AI van Memorad (radiologie) gezien? Klik hier
- Techleap heeft een interessant rapport geschreven over de uitdagingen van AI start-ups & scale-ups binnen de gezondheidszorg. Het rapport vindt u terug op de website van Techleap
Tot slot – webinar “AI voor radiologen”
In vervolg op ons webinar “AI voor cardiologen” organiseren wij op 8 juni en op 15 juni een webinar “AI voor radiologen” waarin we het gebruik van externe bevindingen zoals lab uitslagen (D-dimeer) en andere verslaglegging in een AI radiologie workflow presenteren. AI is namelijk méér dan imaging alleen!
Tijdens dit webinar (30 minuten) laten we aan de hand van een concrete case een toepassing zien waarbij op basis van een lab uitslag en verslaglegging een “AI-second opinion workflow” wordt aangevraagd en beoordeeld en waarvan het resultaat wordt teruggezonden naar het RIS.
Dank voor uw aandacht.