Hoe patiëntgegevens de toekomst van de gezondheidszorg vormgeven

De AI-wedloop in de gezondheidszorg verschuift steeds meer van de vraag of machines medische informatie kunnen genereren naar een belangrijkere vraag: wat gebeurt er wanneer AI kan werken met de patiëntgegevens die clinici en onderzoekers al hebben?

Drie recente ontwikkelingen wijzen op de richting waarin die verschuiving zich kan ontwikkelen.

Ten eerste heeft OpenAI onlangs ChatGPT for Healthcare gekoppeld aan geautoriseerde Epic‑gegevens uit het elektronisch patiëntendossier, door patiëntspecifieke klinische context in een AI‑werkstroom te brengen en mogelijk de tijd die clinici besteden aan het doorzoeken van gefragmenteerde medische dossiers te verkorten.

Vervolgens heeft PurpleLab, een data‑ en analysebedrijf in de gezondheidszorg, zojuist gelanceerd CARES, een initiatief om onderzoek te ondersteunen met behulp van haar enorme hoeveelheid real‑world gezondheidsgegevens.

En tenslotte hebben onderzoekers van de Harvard Medical School ontwikkeld een AI‑model dat bestaande medische dossiers en genetische informatie gebruikt om het risico op honderden ziekten te schatten.

Gezamenlijk suggereren ze wat velen in de gezondheidszorg al geruime tijd hebben gespeculeerd: dat patiëntgegevens een van de meest waardevolle activa van de gezondheidszorgsector kunnen zijn voor innovatie in de zorg.

Laten we elk van deze recente doorbraken in patiëntgegevens nader bekijken.

Van EPD’s naar AI‑assistenten

Op 1 september kondigde OpenAI een Epic‑integratie aan voor ChatGPT for Healthcare die geautoriseerde zorgorganisaties in staat stelt patiëntinformatie in AI‑ondersteunde werkstromen te brengen.

De integratie kan clinici helpen informatie te bekijken, zoals medische notities, medicatie, laboratoriumresultaten en eerdere ontmoetingen, zonder handmatig de geschiedenis van een patiënt uit verschillende delen van het dossier samen te stellen.

Het systeem is alleen-lezen, wat betekent dat de AI het medische dossier niet zelfstandig wijzigt.

Die onderscheiding is belangrijk. De directe kans is niet het vervangen van het EPD of het toestaan dat een AI‑systeem zelfstandig beslissingen neemt. Het gaat erom de tijd die clinici besteden aan het vinden en synthetiseren van informatie te verkorten.

OpenAI koppelt ChatGPT for Healthcare ook aan officiële openbare bronnen, waaronder PubMed, ClinicalTrials.gov, DailyMed en CMS‑gegevens.

Het grotere idee is de combinatie van patiëntcontext en externe medische bewijsmateriaal in dezelfde werkstroom.

Real‑World‑gegevens bruikbaarder maken voor onderzoek

PurpleLab, een data‑ en analysebedrijf dat zich onder andere richt op Real‑World Evidence (RWE) en Real‑World Data (RWD) in de gezondheidszorg, heeft onlangs het Center for Advancing Real‑World Evidence Studies, of CARES, gelanceerd met als doel onderzoekers, academische instellingen, bewijsmiddelennetwerken en patiëntengemeenschappen te helpen real‑world‑gegevens effectiever te gebruiken.

De betekenis gaat verder dan alleen het beschikbaar stellen van meer gegevens.

Onderzoekers in de gezondheidszorg hebben al lange tijd te maken met problemen zoals inconsistente definities, gefragmenteerde datasets en moeilijkheden bij het reproduceren van eerdere studies.

CARES is opgezet rond reproduceerbaar onderzoek, transparante methoden, academische samenwerkingen en patiëntgerichte research.

PurpleLab meldt dat onderzoekers met haar real‑world‑datasets behandelingspatronen, uitkomsten en zorgkosten kunnen bestuderen op gebieden zoals oncologie, cardiologie, geestelijke gezondheid en zeldzame ziekten.

Als ze slagen, kunnen initiatieven als dit routinematig gegenereerde zorginformatie omzetten in bewijs dat vragen beantwoordt die traditionele klinische studies niet altijd snel kunnen aanpakken.

„Real‑world‑evidence is het sterkst wanneer het rigoureus, peer‑reviewed en open gedeeld wordt. Met PurpleLab CARES laten we zien wat onze data kunnen betekenen in de handen van onderzoekers, academische partners en patiëntengemeenschappen,” zei Scott DuVall, Senior Vice President Real‑World Evidence bij PurpleLab, in een bedrijfsverklaring.

Ziekten voorspellen voordat ze zich voordoen

Bij Harvard zetten onderzoeksteams patiëntgegevens om in voorspellingsmachines.

Een machine‑learning‑model ontwikkeld door onderzoekers van het Dana‑Farber Cancer Institute en het Massachusetts General Hospital kan het risico van een patiënt op 348 ziekten inschatten met behulp van routinematig verzamelde elektronische patiëntendossiers (EPD’s) naast genetische risicoinformatie.

Het model, Aladynoulli genoemd, werd getraind en gevalideerd met gegevens van meer dan 683.000 patiëntendossiers uit drie biobanken.

Onderzoekers zeggen dat het de risico‑inschattingen dynamisch kan bijwerken naarmate een patiënt ouder wordt.

Het potentieel is aanzienlijk. In plaats van de medische geschiedenis alleen te zien als een verslag van wat al is gebeurd, zou AI deze steeds meer kunnen gebruiken om patronen te identificeren die verband houden met wat er mogelijk als volgende gebeurt.

Maar hier is voorzichtigheid essentieel. Het model is tot nu toe geëvalueerd met historische patiëntgegevens, en verder onderzoek is nodig voordat kan worden vastgesteld hoe het presteert in echte klinische omgevingen.

De echte uitdaging is vertrouwen

De toekomst van AI in de gezondheidszorg kan daarom minder afhangen van hoe indrukwekkend een algoritme klinkt en meer van of de gegevens erachter nauwkeurig, representatief, veilig en verantwoord beheerd zijn.

Patiëntgegevens kunnen patronen onthullen die voor mensen moeilijk te identificeren zijn over jaren heen van medische geschiedenis. Maar diezelfde dossiers bevatten een van de meest gevoelige informatie die een persoon genereert.

Naarmate zorgorganisaties EPD’s, onderzoeksdatabases en AI-systemen met elkaar verbinden, zal de centrale vraag niet alleen zijn of AI meer waarde uit patiëntgegevens kan halen.

Het zal zijn of het zorgsysteem dit kan doen zonder het vertrouwen van patiënten te verliezen.

Die balans tussen betere informatie en verantwoord gebruik zou uiteindelijk kunnen bepalen hoe ver AI zich van het onderzoeks‑lab naar de dagelijkse zorg verplaatst.