Grant Lunney, productverantwoordelijke bij EverHealth – interviewreeks

Grant Lunney is productmanager bij EverHealth en heeft bijna twintig jaar ervaring in gezondheidstechnologie, klinische bedrijfsvoering en productstrategie. Zijn loopbaan omvat functies bij Boulder Community Health, OTTO Health, NextGen Healthcare en CrowdHealth, met een focus op ambulante zorg en de praktische uitdagingen waarmee medische praktijken te maken hebben. Bij EverHealth werkt hij aan de toepassing van AI in klinische documentatie en werkprocessen binnen praktijken, zodat zorgverleners meer tijd hebben voor patiëntenzorg.

EverHealth levert gezondheidstechnologie op het gebied van elektronische patiëntendossiers, praktijkbeheer, medische facturering en communicatie met patiënten. EverHealth Scribe gebruikt ambient AI om gesprekken tussen patiënten en zorgverleners om te zetten in concepten van klinische aantekeningen in het EPD, die zorgverleners kunnen beoordelen en goedkeuren. In dit interview bespreekt Lunney de documentatie van geestelijke gezondheidszorg, toestemming en privacy van patiënten, klinisch toezicht en de manier waarop AI de administratieve werklast voor zelfstandige praktijken kan verminderen.

Je loopbaan beslaat bijna twintig jaar in de gezondheidstechnologie: van klinische bedrijfsvoering en strategie bij Boulder Community Health tot leidinggevende productfuncties bij OTTO Health, NextGen Healthcare, CrowdHealth en nu EverHealth. Hoe hebben deze ervaringen je kijk gevormd op de rol die AI in de gezondheidszorg zou moeten spelen, en wat trok je aan in de mogelijkheid om leiding te geven aan productinnovatie bij EverHealth?

Ik werk inmiddels bijna twintig jaar in de gezondheidstechnologie, voornamelijk in de ambulante zorg. In die tijd heb ik de hulpmiddelen die we artsen geven om hun vak uit te oefenen opmerkelijk zien veranderen. Ik weet nog dat elektronisch voorschrijven een grote stap was. Het idee dat een arts een recept elektronisch kon versturen, zodat het klaarlag wanneer een patiënt bij de apotheek aankwam, was een betekenisvolle vooruitgang. Sindsdien hebben we steeds geavanceerdere EPD’s, procesautomatisering, interoperabiliteit en allerlei hulpmiddelen geïntroduceerd om de gezondheidszorg efficiënter te maken.

Ik kijk op ongeveer dezelfde manier naar AI. Of het nu gaat om grote taalmodellen, generatieve AI of voorspellende modellen: het zijn extra hulpmiddelen in onze gereedschapskist. Het doel blijft hetzelfde: zorgverleners efficiënter laten werken en uiteindelijk de kwaliteit van de zorg die zij kunnen leveren verbeteren.

Denk aan een huisarts met een patiëntenbestand van 2.500 of 3.000 mensen. Hun dagen gaan op aan acute consulten, medicatiebeheer en zorg voor patiënten met meerdere chronische aandoeningen. Maar ik geloof geen moment dat die artsen niet graag meer tijd zouden besteden aan preventieve gesprekken met hun patiënten. Praten over voeding, beweging, geestelijke gezondheid en de sociale factoren die iemands gezondheid beïnvloeden. Mensen helpen betekenisvolle veranderingen door te voeren, zodat misschien wordt voorkomen dat zich überhaupt een volgende chronische aandoening ontwikkelt. Daarom zijn ze geneeskunde gaan studeren.

Dat is wat mij enthousiast maakt over AI. We beginnen technologie te ontwikkelen die een aanzienlijk deel van het administratieve werk en de informatieverwerking van zorgverleners kan overnemen, zodat zij meer tijd hebben om hun vak uit te oefenen.

Wat mij aantrok in EverHealth is dat we deze technologie stap voor stap in een volledige medische praktijk kunnen toepassen. Ik ben er sterk van overtuigd dat je één probleem uitzonderlijk goed moet oplossen en daarna het volgende moet aanpakken. We kunnen de klinische documentatie verbeteren, vervolgens de herkenning van diagnoses en daarna de codering, aanvragen, voorschriften en de bedrijfsvoering van de praktijk. Na verloop van tijd versterken die verbeteringen elkaar.

EverHealth Scribe gebruikt AI om gesprekken tussen patiënten en zorgverleners om te zetten in gestructureerde klinische documentatie. Kun je uitleggen hoe de technologie werkt, van het opnemen van een gesprek tot het genereren van een klinische aantekening, en vertellen waarin jullie aanpak zich onderscheidt van andere AI-oplossingen voor medische documentatie?

In de eenvoudigste vorm luistert een AI-schrijfassistent naar een gesprek tussen een patiënt en een zorgverlener, gebruikt spraakherkenning om te begrijpen wat er wordt gezegd en door wie, en zet vervolgens een groot taalmodel in om de klinisch relevante informatie te ordenen in een gestructureerde aantekening. De zorgverlener beoordeelt die informatie, brengt zo nodig correcties aan en keurt de definitieve documentatie goed.

Ik denk dat we op een punt zijn gekomen waarop de meeste goede AI-schrijfassistenten die op de achtergrond meeluisteren, die basistaak opmerkelijk goed kunnen uitvoeren. Modellen verschillen in geavanceerdheid en nauwkeurigheid, maar ik denk dat de grootste mogelijkheden om zich te onderscheiden steeds vaker zullen liggen in alles rondom dat proces.

Voor ons begint dat met de vraag hoeveel meer werk van de zorgverlener we kunnen afronden zodra de aantekening is opgesteld. We hebben al aanbevelingen voor diagnoses en CPT-codes toegevoegd en breiden dit uit met aanvragen en voorschriften, allemaal rechtstreeks geïntegreerd in het EPD. We halen ook context op uit eerdere consulten, de medische voorgeschiedenis en documentatie die voorafgaand aan het consult is opgesteld, omdat een gesprek van 15 minuten maar een klein deel is van een veel groter klinisch verhaal. Daarnaast ontwikkelen we annotaties waarin de observaties en aantekeningen worden vastgelegd die zorgverleners niet hardop uitspreken.

We hebben al die mogelijkheden ook betrouwbaar gemaakt. Als een zorgverlener 30 minuten met een patiënt doorbrengt en er vervolgens achter komt dat de opname is mislukt, is dat een rampzalige ervaring. Daarom moeten we rekening houden met alles, van de plaatsing van de microfoon tot een haperende wifi-verbinding.

Als we dat allemaal goed doen, zou de arts een afspraak moeten kunnen afronden terwijl vrijwel al het documentatiewerk al is gedaan. De arts hoeft dan alleen nog de klinische inhoud te controleren, een oordeel te vormen en de aanbevelingen op te volgen die zinvol zijn.

Consulten in de geestelijke gezondheidszorg omvatten vaak zeer persoonlijke gesprekken, emotionele nuances en gevoelige onthullingen. Wat zijn de specifieke technische uitdagingen bij het ontwikkelen van een AI-schrijfassistent voor de geestelijke gezondheidszorg, en hoe zorgt u ervoor dat het systeem klinisch relevante informatie nauwkeurig vastlegt zonder de context verkeerd te interpreteren of onnodige persoonlijke details te documenteren?

Een psychotherapiesessie van 50 minuten, een consult in de geestelijke gezondheidszorg van 15 minuten en een consult interne geneeskunde van zeven minuten zijn drie heel verschillende gesprekken. Ook de documentatie die uit elk consult voortkomt, zal er anders uitzien.

Daarom beginnen we bij de arts en redeneren we terug. Welke informatie moet worden vastgelegd? Hoe moet die worden geordend? Welk detailniveau is klinisch passend? En hoe moet de uiteindelijke notitie eruitzien, zodat de zorgverlener erop kan vertrouwen dat die het consult nauwkeurig weergeeft?

Zodra we dat hebben vastgesteld, kunnen we de AI configureren en verfijnen, zodat die documentatie oplevert die aan die verwachtingen voldoet. Het doel is om een mogelijk zeer lang, ingewikkeld en diep persoonlijk gesprek terug te brengen tot de klinische informatie die daadwerkelijk relevant is voor de zorg van de patiënt.

Ik denk dat dit vooral belangrijk is in de geestelijke gezondheidszorg. Het feit dat iets tijdens een sessie is gezegd, betekent niet automatisch dat het thuishoort in het permanente medisch dossier van de patiënt. Het model moet de klinische betekenis ook nauwkeurig interpreteren. In de geestelijke gezondheidszorg kan één uitspraak, afhankelijk van de context, heel verschillende dingen betekenen. Daarom blijven de beoordeling en het oordeel van de arts essentieel.

We praten veel over hoe intelligent deze modellen zijn, maar volgens mij vindt een deel van het belangrijkste werk plaats voordat het model überhaupt een notitie genereert. Het begint met vaststellen hoe een geslaagd klinisch resultaat eruitziet en vervolgens voortdurend verbeteren hoe betrouwbaar we dat resultaat kunnen leveren.

Kort gezegd: we bepalen wat een goed resultaat is, redeneren vanaf dat punt terug en laten de arts uiteindelijk beoordelen of we dat resultaat hebben bereikt.

Uit onderzoek van KFF blijkt dat 77% van de volwassenen in de VS zich zorgen maakt over de privacy van medische informatie die met AI-tools wordt gedeeld. Hoe gaat EverHealth met deze zorgen om, met name wat betreft de bewaring van patiëntgegevens, toegang door derden en het gebruik van gevoelige informatie voor het trainen of verbeteren van AI-modellen?

Die zorg is terecht, en ik vind niet dat patiënten hun privacy zouden moeten inruilen voor betere zorg. Tegelijkertijd mag een technologiebedrijf niet van hen verwachten dat ze de waarborgen zomaar vertrouwen. Patiënten en zorgpraktijken verdienen duidelijke antwoorden op de vragen welke informatie we gebruiken, wie er toegang toe heeft en hoelang we die bewaren.

Met EverHealth Scribe worden patiëntgegevens verwerkt ter ondersteuning van klinische documentatie en continuïteit van zorg. We werken samen met technologiepartners, waaronder CarePilot, en hanteren contractuele waarborgen, zoals overeenkomsten met zakenpartners, waarin is vastgelegd hoe beschermde gezondheidsinformatie wordt verwerkt. We gebruiken ook versleuteling en toegangsbeperkingen, en identificeerbare patiëntgegevens worden niet gebruikt om AI-modellen te trainen. Transcripties van Scribe zijn maximaal 180 dagen beschikbaar, zodat artsen relevante context uit eerdere consulten kunnen terughalen. Zorgpraktijken kunnen ook verzoeken om transcripties te verwijderen.

Privacy kunnen we niet achteraf aan innovatie toevoegen. Die moet bepalend zijn voor onze beslissingen over wat we ontwikkelen, waarmee we verbinding maken en wat we bewaren.

Mentavi Health, dat EverHealth Scribe heeft geïmplementeerd, vraagt patiënten zowel tijdens de intake als vóór elk bezoek om toestemming. Hoe belangrijk is dit doorlopende toestemmingsmodel voor het opbouwen van vertrouwen bij patiënten, en wat moet er gebeuren als een patiënt AI-ondersteunde documentatie weigert of tijdens een sessie de toestemming intrekt?

De aanpak van Mentavi, waarbij tijdens de intake en opnieuw vóór elk bezoek toestemming wordt gevraagd, bevestigt dat de patiënt inspraak heeft in de manier waarop de zorg wordt verleend.

Een aanzienlijk deel van mijn loopbaan heb ik in de telezorg gewerkt. Daarom denk ik dat patiënten over het algemeen openstaan voor technologie als ze de meerwaarde ervan zien. Idealiter ervaren patiënten meer oogcontact en directer contact, en hebben ze een arts die echt aandacht heeft voor het gesprek in plaats van achter een laptop te zitten of op een werkstation te typen. Dat is een behoorlijk overtuigende meerwaarde.

Die meerwaarde moet natuurlijk wel samengaan met keuzevrijheid. Patiënten moeten begrijpen hoe de technologie wordt gebruikt en zich vrij voelen om het gebruik ervan te weigeren. Als iemand tijdens een consult de toestemming intrekt, moet de opname stoppen en moet de arts het consult kunnen voortzetten en documenteren volgens de gebruikelijke werkwijze. Alle informatie die al is vastgelegd, moet worden behandeld in overeenstemming met de toepasselijke toestemmings- en privacyvereisten.

Uiteindelijk denk ik dat vertrouwen voortkomt uit het consequent leveren van meerwaarde. Als we artsen helpen meer tijd aan patiënten te besteden en die patiënten het verschil daadwerkelijk merken, doen we iets goed.

Door AI gegenereerde klinische notities brengen mogelijke risico’s met zich mee, zoals verzonnen informatie, weggelaten details en onjuiste interpretaties van uitspraken van patiënten. Welke waarborgen heeft EverHealth ingevoerd om deze fouten op te sporen, en hoe zorgt u ervoor dat clinici betekenisvol toezicht blijven houden in plaats van AI-gegenereerde documentatie simpelweg goed te keuren?

Clinici werken nauw samen met de schrijfassistent en zijn verantwoordelijk voor het bewerken van door AI gegenereerde notities voordat ze aan het medisch dossier worden toegevoegd. Zo wordt de kans op afwijkingen in de uitvoer uiteindelijk beperkt.

De clinicus moet de informatie controleren en bewerken voordat deze in het medisch dossier wordt vastgelegd. De clinicus blijft uiteindelijk verantwoordelijk voor de beoordeling of de notitie het consult correct weergeeft en of er iets belangrijks is gemist of verkeerd geïnterpreteerd.

Een ander belangrijk onderdeel is voortdurende feedback. Na elk consult vragen we clinici of de documentatie nuttig was, en meer dan 96% van de antwoorden is positief. Dat is een bemoedigend signaal dat we consequent waarde leveren.

Wanneer een clinicus een probleem meldt, neemt ons team rechtstreeks contact op om te begrijpen wat er is gebeurd, de onderliggende oorzaak vast te stellen en te bepalen hoe we de ervaring kunnen verbeteren. Die directe relatie met de mensen die de technologie gebruiken, is ontzettend belangrijk voor de manier waarop we het product ontwikkelen en verfijnen.

Volgens mij bouw je uiteindelijk zo vertrouwen op in documentatie met AI-ondersteuning: je maakt de onderliggende informatie toegankelijk, waarborgt betekenisvol klinisch toezicht en evalueert voortdurend of de technologie daadwerkelijk helpt.

Mentavi Health heeft onlangs verslag gedaan van een gefaseerde invoering waarbij meer dan 30 bevoegde clinici betrokken waren en ruim 14,000 klinische notities met AI-ondersteuning werden opgesteld. Daarbij verbeterden de gestructureerde documentatie en het vastleggen van diagnosecodes. Wat waren de belangrijkste bevindingen van deze invoering, en hoe meet u of AI-schrijfassistenten de productiviteit van clinici, de nauwkeurigheid van documentatie en de patiëntenzorg daadwerkelijk verbeteren?

Een van de belangrijkste lessen uit de invoering bij Mentavi is dat succesvolle toepassing veel meer vereist dan alleen de technologie. Mentavi bracht klinische, administratieve en technologische expertise samen om documentatiestandaarden vast te stellen, kwaliteitsmaatstaven op te stellen en nieuwe mogelijkheden zorgvuldig te introduceren. Die samenwerking is precies hoe verantwoorde innovatie in de gezondheidszorg eruit zou moeten zien.

Bij Scribe proberen we een eenvoudig probleem op te lossen: clinici besteden te veel tijd aan het documenteren van een consult. Hoeveel van die tijd en inspanning kunnen we dus wegnemen?

We kijken naar de tijd die aan documentatie wordt besteed, de tevredenheid van clinici en de mate waarin functies zoals herkenning van diagnoses en aanbevelingen voor CPT-codes extra stappen in de workflow overbodig maken. Wanneer we de mogelijkheden uitbreiden met aanvragen en recepten, hanteren we dezelfde aanpak. Elke functie moet een betekenisvol deel van het werk van de clinicus wegnemen.

De verbetering in het vastleggen van diagnosecodes was bijzonder bemoedigend. In de evaluatie werd bij consulten waarbij Scribe werd gebruikt in bijna 80% van de gevallen een diagnosecode vastgelegd, tegenover ongeveer 26% zonder Scribe. Dat is een aanzienlijke verbetering van de consistentie van gestructureerde klinische documentatie en een goed voorbeeld van hoe AI waarde kan opleveren die verder gaat dan alleen het genereren van een notitie.

Het aantal gegenereerde notities is bemoedigend, maar doorslaggevend zijn de hoeveelheid werk die we wegnemen en de kwaliteit en consistentie van de documentatie die we helpen opstellen.

Zelfstandige praktijken voor lichamelijke en geestelijke gezondheidszorg beschikken vaak over minder administratieve middelen dan grotere zorgstelsels. Hoe kan documentatie met AI kleinere praktijken helpen concurreren, en welke obstakels op het gebied van implementatiekosten, integratie in werkprocessen of invoering van technologie moeten nog worden overwonnen?

Volgens mij ligt de grootste kans voor zelfstandige praktijken in de keuzevrijheid. Door clinici en medewerkers administratief werk uit handen te nemen, geven we praktijken de ruimte om betere keuzes te maken over de besteding van hun tijd en middelen. Misschien wil een arts meer patiënten zien. Misschien wil die meer tijd besteden aan de patiënten die er al zijn. Of misschien wil die gewoon het laatste consult om vijf uur afronden, 15 minuten besteden aan het doornemen van de documentatie en naar huis gaan, in plaats van nog eens twee uur achterstallig werk weg te werken. Dat zijn allemaal waardevolle uitkomsten; de praktijk moet zelf kunnen bepalen welke het belangrijkst is.

Wat de implementatie betreft: wij zijn al de technologieleverancier van de praktijk, dus de integratie in de werkprocessen is onze verantwoordelijkheid, niet die van de praktijk. Scribe werkt op apparaten die clinici al bezitten, en aan de slag gaan kan al na één of twee trainingssessies. Een kleine praktijk heeft echter nauwelijks ruimte om technische problemen op te vangen. Daarom streven we naar een installatie die zo veel mogelijk zelfstandig kan worden uitgevoerd.

Uiteindelijk denk ik dat AI zelfstandige praktijken toegang geeft tot mogelijkheden en efficiëntie in de bedrijfsvoering waarvoor vroeger veel grotere organisaties nodig waren. En minstens zo belangrijk: AI geeft de mensen die in die praktijken werken meer controle over de besteding van hun tijd.

Nu steeds meer staten uiteenlopende wetgeving invoeren voor AI in de gezondheidszorg, met name in de geestelijke gezondheidszorg, hoe navigeert EverHealth door dit versnipperde regelgevingslandschap? Welke uitdagingen ontstaan er bij de ontwikkeling van een AI-product dat in verschillende rechtsgebieden moet voldoen aan uiteenlopende eisen voor toestemming van patiënten, gegevensprivacy en toezicht door zorgverleners?

Ik heb het gevoel dat ik deze film al eens eerder heb gezien. Een groot deel van mijn loopbaan werkte ik vóór COVID in de telezorg. Daarbij kreeg ik te maken met verschillen tussen staten op het gebied van vergunningseisen, de locatie van patiënten, toestemming, voorschrijven en vergoedingen. Vervolgens veranderden de regels bijna van de ene op de andere dag, en moesten we opschalen terwijl ze bleven veranderen.

Het AI-landschap voelt vergelijkbaar. We richten ons erop voorgestelde wetgeving voor te blijven, de nuances op staats- en federaal niveau te begrijpen en het product zo te ontwikkelen dat het zich kan aanpassen.

Dat is vooral belangrijk in de telezorg voor de geestelijke gezondheidszorg, waar één zorgverlener patiënten in veel verschillende staten kan zien. Toestemming, privacy en toezicht door zorgverleners moeten instelbare fundamenten van de dienstverlening zijn.

De belangrijkste les uit die ervaring is dat het product vanaf het begin zo moet worden gebouwd dat het zich aan regelgeving kan aanpassen. Die filosofie hanteren we bij EverHealth voor AI. Het is onze taak om zo veel mogelijk van die complexiteit op ons te nemen, zodat zorgverleners zich kunnen richten op het verlenen van zorg.

AI-mogelijkheden breiden zich snel uit: van documentatie naar klinische beslisondersteuning, patiëntbetrokkenheid en steeds autonomere zorgprocessen. Waar zou volgens u de grens moeten liggen tussen ondersteuning door AI en het klinische oordeel van een mens, met name in de geestelijke gezondheidszorg, en hoe ziet u de technologie van EverHealth zich de komende drie tot vijf jaar ontwikkelen?

AI kan luisteren, ordenen, relevante context naar voren halen en suggesties doen. Maar het klinische oordeel is aan de zorgverlener.

Dat is vooral belangrijk in de geestelijke gezondheidszorg, waar de voorgeschiedenis van een patiënt, een verandering in toon of zelfs wat onuitgesproken blijft net zo betekenisvol kan zijn als de woorden zelf. Technologie moet zorgverleners juist meer ruimte geven om bij zulke momenten aanwezig te zijn, niet minder.

De komende drie tot vijf jaar liggen de kansen veel verder dan alleen een slimmere digitale notulist. EverHealth streeft naar een intelligent zorgtraject voor ambulante patiënten, waarin technologie de momenten vóór, tijdens en na een bezoek met elkaar verbindt.

Stel je een kliniek voor die onthoudt wat ertoe doet: relevante voorgeschiedenis is beschikbaar wanneer die nodig is, zorgverleners kunnen zich op de patiënt richten in plaats van versnipperde informatie bij elkaar te zoeken, en klinische beslissingen sluiten beter op elkaar aan in de documentatie, codering, zorgcoördinatie en verdere opvolging. We willen niet alleen afzonderlijke taken sneller maken. We willen de wrijving tussen die taken verminderen.

Bij alles wat we doen, is ons belangrijkste uitgangspunt dat iedere patiënt zich volledig gezien voelt en iedere zorgverlener de duidelijkheid heeft om met vertrouwen samenhangende zorg te verlenen.

Bedankt voor het geweldige interview. Lezers die meer willen weten over klinische documentatie met AI-ondersteuning en verbonden zorgprocessen, kunnen terecht bij EverHealth.