Artsen gaven in onderzoek van Stony Brook in 95% van de gevallen de voorkeur aan AI-ontslagsamenvattingen

Artsen die de ontslagsamenvattingen beoordeelden, gaven in een onderzoek van Stony Brook University in 95% van de onderzochte ziekenhuisopnames de voorkeur aan samenvattingen die met AI waren opgesteld boven samenvattingen die door mensen waren geschreven. De retrospectieve analyse richtte zich op 60 opnames op de afdeling interne geneeskunde die zeven tot 21 dagen duurden. Door de langdurige behandeling en de grote hoeveelheid klinische aantekeningen is de overdracht naar de ambulante zorg in zulke gevallen bijzonder veeleisend.

De bevindingen, gepubliceerd in npj Digital Medicine, wijzen erop dat grote taalmodellen artsen kunnen helpen om completere en bruikbaardere ontslagdocumenten op te stellen. Ze laten ook zien waarom controle door een arts essentieel blijft: zowel door AI gegenereerde als door mensen geschreven samenvattingen bevatten fouten, en hogere beoordelingen tonen niet aan dat patiënten betere uitkomsten hadden.

Waarom ontslagsamenvattingen een lastige taak zijn voor AI

Een ontslagsamenvatting verbindt de zorg die een patiënt in het ziekenhuis heeft gekregen met de zorgverleners die daarna verantwoordelijk zijn voor de verdere behandeling. De samenvatting moet uitleggen waarom de patiënt werd opgenomen, hoe de behandeling verliep, welke wijzigingen er in de medicatie zijn aangebracht, welke problemen nog niet zijn opgelost en wat het plan voor de nazorg is. Voor een huisarts kan een ontbrekende toelichting of onduidelijke vervolgstap betekenen dat die de ziekenhuisopname moet reconstrueren aan de hand van een veel uitgebreider dossier.

Bij langere opnames wordt dat probleem groter. Informatie stapelt zich op in voortgangsnotities, consultverslagen, beeldvormingsrapporten en andere documentatie, vaak met herhalingen en wijzigingen in het behandelplan. Een bruikbare samenvatting moet het uiteindelijke klinische beeld weergeven én uitleggen hoe de beslissingen tot stand zijn gekomen.

De aanpak van Stony Brook is samen met artsen ontwikkeld, met als uitgangspunt welke informatie artsen die de patiënt overnemen nodig hebben. Volgens de universiteit zette het systeem patiëntendossiers binnen enkele minuten om in concepten voor ontslagsamenvattingen. Dat zegt iets over de tijd die nodig is om de samenvatting te genereren; het effect op de totale tijd die artsen besteden aan documentatie en controle moet nog in de klinische praktijk worden onderzocht.

Waar de artsen hogere beoordelingen voor gaven

In het onderzoek werden beoordelingen van ziekenhuisartsen en huisartsen gecombineerd. De beoordelaars gaven de AI-samenvattingen hogere cijfers voor de algehele kwaliteit, leesbaarheid en beknoptheid, feitelijke juistheid en volledigheid. Ook constateerden ze minder ontbrekende klinische details.

Op de gebruikte beoordelingsschaal van vijf punten kregen de AI-samenvattingen gemiddeld een 4,71 voor de algehele kwaliteit, tegenover 3,16 voor samenvattingen die door mensen waren geschreven. De gemiddelde score voor feitelijke juistheid was 4,62 tegenover 3,73, terwijl die voor volledigheid 4,69 tegenover 3,42 bedroeg. Dit zijn beoordelingen van artsen, geen percentages van uitspraken waarvan is bewezen dat ze correct zijn.

De afbeelding toont 120 beoordelingen per type samenvatting voor de gecombineerde criteria van ziekenhuisartsen en huisartsen, en 60 per type voor de specifieke vragen voor huisartsen. Huisartsen beoordeelden de AI-samenvattingen hoger op het begrip van het verloop van de ziekenhuisopname, de uitleg daarvan aan patiënten en mantelzorgers, en de ondersteuning van de nazorg.

Dat onderscheid is belangrijk, omdat degene die een ontslagsamenvatting schrijft een ander perspectief heeft dan degene die ermee aan de slag gaat. Een document kan de gebeurtenissen tijdens de ziekenhuisopname grondig beschrijven, maar de zorgverlener die de patiënt overneemt toch in onzekerheid laten over openstaande kwesties of de reden voor een medicatiewijziging.

Hoe de samenvattingspijplijn lange dossiers verwerkt

De openbaar gemaakte code van de onderzoekers geeft meer inzicht in de technologie. De geëxporteerde pijplijn op basis van LangChain/LangGraph groepeert aantekeningen chronologisch, stelt een gestructureerde samenvatting op en verfijnt het concept terwijl er aanvullende tekstfragmenten worden verwerkt. In een afzonderlijke stap haalt het systeem incidentele bevindingen uit gemarkeerde aantekeningen, waarna de uiteindelijke tekst wordt opgesteld.

Deze aanpak in meerdere stappen speelt in op een praktische beperking van taalmodellen: een lang klinisch dossier kan meer tekst bevatten dan een model in één keer kan verwerken. Door een gestructureerd concept mee te nemen, kunnen opeenvolgende delen van het dossier bijdragen aan het resultaat.

De openbaar gemaakte export legt ook bronidentificatoren vast en levert naast gestructureerde en verhalende uitvoer metadata voor bronvermeldingen op. De export bevat synthetische demonstratiegegevens; de repository stelt daarnaast geanonimiseerde beoordelings- en foutannotatieresultaten beschikbaar voor analyse. Zo kan de werkwijze worden onderzocht zonder de oorspronkelijke patiëntendossiers openbaar te maken.

Minder weglatingen nemen klinische risico’s niet weg

Volgens het gepubliceerde abstract is het lagere aantal geannoteerde onjuistheden of weglatingen voornamelijk toe te schrijven aan minder weglatingen. Het vermeldt geen statistisch significant verschil tussen de twee typen samenvattingen in de inschattingen van beoordelaars van de ernst of waarschijnlijkheid van schade als gevolg van fouten.

Deze bevinding toont niet aan dat beide benaderingen even veilig zijn, noch dat een AI-concept zonder controle klaar is om in een patiëntendossier te worden opgenomen. De evaluatie had betrekking op documenten en beoordelingen door artsen; er werd niet aangetoond dat het aantal heropnames, medicatiegerelateerde schade of andere ongunstige patiëntuitkomsten afnam.

De auteurs benadrukken dat artsen de informatie vóór gebruik moeten controleren. Medicatie-instructies, onopgeloste medische kwesties en aanbevelingen voor vervolgzorg staan centraal in het doel van het document en zijn belangrijke punten waar fouten of omissies gevolgen kunnen hebben.

Wat voorafgaat aan routinematig klinisch gebruik

“Deze resultaten tonen aan dat kunstmatige intelligentie kan helpen bij het opstellen van ontslagdocumentatie voor complexe ziekenhuisopnamen”, zei Rachel Wong, MD, mede-eerste auteur en klinisch universitair hoofddocent aan Stony Brook, in de aankondiging van de universiteit.

Mede-eerste auteur Fusheng Wang, PhD, zei dat de volgende onderzoeksstappen bestaan uit het beoordelen van de nauwkeurigheid, de veiligheid, de daadwerkelijke tijdsbesparing voor artsen en de aansluiting op klinische werkprocessen. Volgens de universiteit wordt een proefproject in de dagelijkse praktijk van Stony Brook Medicine overwogen.

Het interdisciplinaire project, onder leiding van Tyler Osborne, promovendus in de informatica, brengt artsen, informatici, biomedische informatici en deskundigheid op het gebied van communicatie samen. De studie levert bemoedigend bewijs voor het opstellen van complexe ontslagsamenvattingen onder toezicht van zorgverleners. Om vast te stellen hoe dit kan worden vertaald naar betrouwbaar dagelijks gebruik, moet het beoordelingsproces naast de gegenereerde tekst worden geëvalueerd.