nlaic logo


 

Usecase Attendi

Transcript:

Attendi staat voor oprechte aandacht en  daarmee bedoelen we aandacht voor de patiënt.   Verslaggeving en documentatie is iets wat we nu  volledig laten doen door de zorg-professionals   en daar is een schreeuwend tekort aan. Wij zetten  ons in om met behulp van slimme technologie dit   zoveel mogelijk uit handen te nemen en daarmee  tijd en aandacht vrij te maken voor de patiënt.   Onze missie is dat wij een steentje bijdragen aan  goede en kwalitatieve zorg en dat doen wij door   het ontwikkelen van spraak en text technologie.  Zo spreekt bijvoorbeeld een zorgverlener direct   na een bezoek aan een cliënt een verslag in  en wij zetten het audio bestand direct om in   tekst en plaatsen het op de juiste locatie in het  dossier. Ook een mogelijkheid is dat we een gesprek   opnemen tussen arts en patiënt in de spreekkamer  en vanuit daar het gesprek zo veel mogelijk de   anamnese invullen. Daarmee staan we dus eigenlijk  voor "goede zorg begint met een goed gesprek". De meeste modellen die we gebruiken zijn  zelflerend, dit houdt in dat wij door middel   van de data die binnenkomt snel en nauwkeurig  kunnen schakelen en de modellen kunnen verbeteren. Het is risicovol om te zeggen dat ze  volledig zelflerend zijn, er zullen   altijd menselijke taken aan ten grondslag  liggen. Maar dat is wel de reden dat wij   AI inzetten voor dit onderdeel. Ja wij maken  gebruik van eigenlijk de klassieke AI en meer   de deep learning kant. Dus klassieke AI zijn  rule-based technieken zoals ik net al   even aangaf is een stukje transparantie  ontzettend belangrijk in de zorg als het   gaat om de inzet van AI modellen. Dus dingen  moeten uitlegbaar zijn. Nou, met rule-based   technieken zijn die uitlegbaar. Maar zodra we  grote hoeveelheden data hebben bijvoorbeeld   audiodata met bepaalde features vanuit de  audio dan zijn ook de wat meer deep learning   technieken toepasbaar, en dan gaat het over de  inzet van de neurale netwerken die   wij kunnen kunnen gebruiken om uiteindelijk de juiste uitkomsten te kunnen genereren. Dus, de gesprekken waar we nu in ieder geval aan het kijken zijn, bijvoorbeeld op de afdeling orthopedie  en dan voornamelijk heupartrose, er is  een hoog volume aan mensen die iets met de heup   hebben. Dat zijn relatief lange gesprekken  maar wel met veel structuur en daar zit   een standaard rapportage onder. Je moet  je voorstellen dat verschillende artsen op een   verschillende manier rapporteren dus daar moet  een soort van consensus over komen van: "Oké hoe   moeten die modellen dat uiteindelijk ook gaan  genereren?" Hoe meer consensus er is over een   bepaalde uitkomst, hoe makkelijker het voor  onze modellen is om dat ook daadwerkelijk te   genereren. Dus bijvoorbeeld de afdeling  orthopedie is een voorbeeld waar we dat   doen je hebt ook de afdeling anesthesie, daar heb  je het preoperatieve gesprek en daarin zijn er   gewoon een aantal onderwerpen die altijd moeten  worden benoemd. Nou, dan zijn onze modellen in   staat om aan de hand van van topic detectie te ontdekken uit het transcript: "Oké   dit onderwerp is inderdaad besproken in plaats van  dat de arts op dit moment vinkjes moet zetten   in het EPD kunnen we dat daar automatisch  documenteren. Ja ik denk dat als het gaat   over het gebruik van AI modellen in de zorg:  Het is altijd een trend om te denken van AI, dat   is een stukje machine learning, dat doet  het altijd goed, ook marketing technisch.    Maar ik denk om het bewustzijn te creëren dat de  klassieke AI modellen eigenlijk minstens net zo goed   zijn in de zorg, gezien de geringe data, gezien de  transparantie die je moet bieden, gezien de    herproductietijd. Dus dat is iets waar  wij in ieder geval mee te maken hebben zo van dat biedt in   eerste instantie de meeste waarde voor ons, en de  meeste mogelijkheden. En kijk dan inderdaad   steeds iets verder van oké welke deep learning  technieken kunnen daar ook aan ten grondslag liggen..