Ziekenhuis.ai. Artificial Intelligence in de zorg. FIZI congres, juni 2019

Transcriptie

1 Ziekenhuis.ai Artificial Intelligence in de zorg FIZI congres, juni 2019 Vertrouwelijk: gebruik van deze informatie zonder expliciete schriftelijke toestemming is verboden. Uitkomsten of conclusies zijn een inschatting van de werkelijkheid, er kunnen geen rechten aan worden ontleend. Copyright Performation Hotflo

2 Kennismaken

3 Artificial Intelligence = 3

4 4

5 5

6 6

7 7

8 8

9 9

10 10

11 11

12 12

13 13

14 14

15 15

16 16

17 17

18 18

19 19

20 Artificial Intelligence is niet iets van de toekomst, maar we staan er al midden in 20

21 Buzzwords Artificial Intelligence De mogelijkheid van de computer om taken van de mens over te nemen Machine Learning Computer hebben de mogelijkheid om te leren zonder dat ze daarvoor heel duidelijk worden geprogrammeerd. Deep learning Onderdeel van Machine Learning waarbij computers leren op basis van neurale netwerken, vergelijkbaar met hoe ons brein werkt. Werkt vooral goed bij beeldherkenning, speech recognition, video en tekst 21

22 Leren van het verleden 22

23 1) Diagnostiek 2) Decision Support / Risicobeheersing 3) Administratie / automatisering 23

24 Waar loopt de zorgprofessional tegen aan in zijn werk - Eindeloze verplichtingen (indicatoren, KPI s, coderingen, verantwoording) - Registratielast / administratie 24

25 Uitdagingen AI Welke uitdagingen zijn er als je met AI aan de slag wil? - Data - Versnippering - Versnelling - Tijdsintensieve voorbereiding (preprocessing) - Talent 25

26 Quote De belangrijkste reden om nog niet in AI te stappen was in 2017 dat de technologie in vroege fase van zijn ontwikkeling is. Ook het ontbreken van een duidelijke business case zet de rem op AI. Verder gaven ziekenhuizen als reden dat hun ICT-infrastructuur hier nog niet klaar voor is en ook op het gebied van data-integratie lagen er uitdagingen. 26

27 Waar zijn we op dit moment mee bezig? Infrastructuur Algoritmeontwikkeling Robotisering 27

28 Een goede data infrastructuur brengt gegevens uit verschillende bronnen bij elkaar 28

29 Faciliteren AI met behulp van de DataGateway Toepas singen Toepas singen Toepas singen Toepas singen Toepas singen Toepas singen AI data Layer: een laag met gegevens die kant en klaar is voor gebruik in AI modellen Algoritmen bibliotheek Performation Algoritmen bibliotheek derden Algoritmen Bibliotheek: verzameling van onderzochte en bewezen algoritmen en modellen AI data layer DataGateway ZIS/EPD Agenda HRM Lab sensoren 29

30 USP Performation HOTflo: Van: preprocessing ML Training Validatie Naar: preproces sing ML training - validatie 30

31 Projecten AI afgelopen periode Automatische codering ICD-10 Risico detectie o Adverse events o Detectie Delier o Detectie val incidenten Extractie medische voorgeschiedenis Huisartsen dossiers: voorspellen levenseinde IC opname voorspellen 31

32 32

33 Met robots (RPA) automatiseren we voorspelbare, repeterende en vaak tijdsintensieve processen 33

34 34

35 Naar de toekomst toe: Wat stoppen wij in onze bag op weg naar de future? 35

36 - Mens én Machine - Samenwerking - Research - Data infrastructuur - Governance - Talent 36

37 Mens en Machine The entire decision process can be refactored to use the relative strengths and weaknesses of both machine and human to maximize value generation and redistribute decision making 37

38 - Mens én Machine - Samenwerking - Research - Data infrastructuur - Governance - Talent 38

39 Governance - Impact op banen - Ethiek - Blackbox problem transparant AI - Data privacy - Beoordelen van algoritmen 39

40 40

41 Samenwerken AI wordt alleen succesvol als we als zorgaanbieders met elkaar samenwerken en met elkaar bouwen aan algoritmen en risicomodellen 41

42 Onderzoek AI wordt alleen succesvol als we als zorgaanbieders met elkaar samenwerken, data delen 42

43 43

44 44

45

46 Ondersteuning ouders Atomwise: Onderzoek naar nieuwe medicatie Aicure.ai: monitoren medicatiegebruik en effect 46

47 Artificial Intelligence Ontwikkelingen Nieuwe technologie (AI, robotica, IoT) gaat de komende jaren enorme impact hebben op de zorg. In combinatie met de enorme toename van medische gegevens biedt dit grote kansen voor de ontwikkeling van slimme toepassingen op het gebied van diagnostiek, risicobeheersing, beslissingsondersteuning en automatisering. Toepassingsgebieden AI in de zorg Diagnostiek (beelden / DNA) Risicobeheersing / beslissingsondersteuning (primaire proces) Automatisering (ondersteuning ziekenhuisprocessen) 47

48 Projecten AI afgelopen periode Automatische codering ICD10 en evt DBC Risico detectie o Adverse events o Detectie Delier o Detectie val incidenten Extractie medische voorgeschiedenis Huisartsen dossiers: voorspellen levenseinde 48

49 Uitdagingen AI Waar lopen veel projecten tegen aan? - Data - Versnippering - Versnelling - Tijdsintensieve voorbereiding (preprocessing) - Talent 49

50 Quote De belangrijkste reden om nog niet in AI te stappen was in 2017 dat de technologie in vroege fase van zijn ontwikkeling is. Ook het ontbreken van een duidelijke business case zet de rem op AI. Verder gaven ziekenhuizen als reden dat hun ICT-infrastructuur hier nog niet klaar voor is en ook op het gebied van data-integratie lagen er uitdagingen. 50

51 Uitdagingen AI Waar lopen veel projecten tegen aan? - Data - Versnippering - Versnelling - Tijdsintensieve voorbereiding (preprocessing) - Talent 51

52 52

53 AI - Ervaringen in ziekenhuizen 53

54 Ervaringen met AI? - Maasstad Ziekenhuis Leonie Schutte - Catharina Ziekenhuis Harald van der Pol - St Antonius Joost Kimmel - UMCU Arjan Zabihi Sammani 54

55 Datagateway Traditional datascience: 80% of the time is spend on data Datagateway s promise: spend 80% of your time on insights! 55

56 Wat is de Datagateway? Notiz LED DOT Intelligence EHR Data gateway Data gateway Toolkit Online HR Server hospital Performation datacenter Dimenzion Begroten en scenarioanalyse

57 Wat is de Datagateway? Dataplatform lokaal bij het ziekenhuis geïnstalleerd 1 locatie voor configuratie van de data Nederlandsbrede definities van data Automatische communicatie met alle Performation modules Gestructureerde als ongestructeerde data

58 1 Bron voor informatie definitities 1. Standaard koppeling met ZIS/EPD 2. Ziekenhuis specifieke configuraties 3. Eventueel ruimte voor maatwerk voor zeer specifieke inrichtingen (minder dan 1%)

59 Voorbeelden van configuraties Afdelingen (IC, DagIC, SEH, Opname, etc.) Consulten Geslacht Opname bestemmingen Plaatsingen Specialisme Verzekeraartype RecordStatus (Opname, Plaatsing, Subtraject) ZorgactiviteitType Zorgtype ZorgverlenerSpecialisme ZorgverlenerType Testrecords uitsluiten RolOperatiePersoneel OperatiePrioriteit Zorgverzekeraar Warme bedbetting, etc. Etc..

60 Ziekenhuis datacenter Ziekenhuis datacenter Performation datacenter Performation datacenter Bronsystemen Datagateway server VM per klant MDB OTAP omgeving Productieversie van bronsystemen (rapportage/backu p/allways-on omgeving) Staging area Metadata laag configuratie Definities Staging area datagateway Datavault datagateway Historische dataopslag Hybride BI omgeving Datavault datagateway Performation Datawarehouse generatie Datavault datagateway Performation centaal. Toevoegen benchmarks HRM SA_HRM ADM_HRM Maatwerk DWH Toolkit Online GBR ZIS SA_GBR ADM_GBR CDWH SA_Datagateway DV_Datagateway DV_Datagateway DV_Datagateway Dimenzion SA_ZIS ADM_ZIS MDB_NET HRM CDWH HRM ADM_Notiz ADM_Grouper Financiën ADM_DOT Intelligence Financiën Notiz OHW_Grouper Productie DOT Intelligence Productie CDWH

61 Faciliteren AI met behulp van de DataGateway Toepas singen Toepas singen Toepas singen Toepas singen Toepas singen Toepas singen AI data Layer: een laag met gegevens die kant en klaar is voor gebruik in AI modellen Algoritmen bibliotheek Performation Algoritmen bibliotheek derden Algoritmen Bibliotheek: verzameling van onderzochte en bewezen algoritmen en modellen AI data layer DataGateway ZIS/EPD Agenda HRM Lab sensoren 61

62 USP Performation HOTflo: Van: preprocessing ML Training Validatie Naar: preproces sing ML training - validatie 62

63 Ervaringen AI Performation 63

64 Projecten AI afgelopen periode Automatische codering ICD10 en evt DBC Risico detectie o Adverse events o Detectie Delier o Detectie val incidenten Extractie medische voorgeschiedenis Huisartsen dossiers: voorspellen levenseinde Horizontaal toezicht Heropnames voorspellen Zorgpaden voorspellen 64

65 Voorbeeld automatische codering Doel: automatisch ICD-10 diagnosen uit brieven halen Input: - Gecodeerde LBZ dataset van (mét ICD-10 hoofd- en nevendiagnose) - Gestructureerde data over de opnamen (administratieve data, ) - Ongestructureerde data over de opnamen (ontslagbrief, decursus, OK-verslag, pathologieverslag, etc) - Diverse algoritmen uitproberen: - Treeboost (XGBoost) algoritme: 46% accuraat - CNN algoritme: 75% accuraat - SVM algoritme: 81-85% accuraat 65

66 66

67 67

68 68

69 Voorbeeld detectie Adverse Events Doel: automatisch Adverse events uit verslaglegging naar boven halen Input: dossiers MUMC met Adverse Events (geannoteerde dataset) - Medische brieven Resultaat: - Van de brieven die we naar boven halen heeft 76% een adverse event - Ter vergelijking: bij een willekeurige steekproef is dat ongeveer 10% 69

70 70

71 Levenseinde voorspellen met patiëntendossiers Advanced Care planning Een model met als input gestructureerde én ongestructureerde (teksten in het EPD) informatie voorspelt beter de sterfdatum dan de huisarts 71

72 72

73 Businesscase automatische codering ICD-10 Huidige situatie: Ziekenhuis met dagopn en klin opnamen 3 medisch codeurs Uren medisch specialisten (33 min * 47 weken * 200 medspec * 140 ) Totaal Automatische afleiding: Ziekenhuis met dagopn en klin opnamen dagopnamen * 1, klinische opnamen * 3, ,5 FTE med codeur voor checks/steekproeven en restant Andere voordelen: - Completer en consistenter registreren - Gebruik diagnoses ICD-10 voor verantwoording indicatoren/dica/etc Totaal

74 Businesscase heropnames voorspellen De businesscase voor een middelgroot ziekenhuis: reductie ongeplande heropnames heropnames per jaar 6 dagen (gemiddelde verpleegduur heropname) verpleegdagen 38 bedden ,- jaarlijkse kosten (obv 500,- per dag) 20% reductie (=realistisch) levert een besparing van ,-

75 Pauze 75

76 Waar liggen de kansen voor AI? 76

77 Hoe verder? Planning samenwerking - financiering 77

78 Brainstorm Waar liggen de komende jaren de uitdagingen voor de ziekenhuizen, en welke rol kan AI hierin spelen Wordt er in jullie ziekenhuizen al beleid gevoerd om de inzet van data science / AI / Machine Learning? Herkennen jullie de uitdagingen de we eerder schetsten? Op welke terreinen liggen op korte termijn kansen voor AI? Waar liggen de behoeften? Is er ook aandacht voor de impact die AI kan hebben, bv op banen, risicoschatting, etc? Is er behoefte aan samenwerking? 78

79 Uitdagingen AI Problemen bij toepassingen van AI - Data - Versnippering - Versnelling - Tijdsintensieve voorbereiding (preprocessing) - AVG - Talent 79

80 Doel samenwerking Een onderzoeksgroep Een groep die elkaar inspireert en kansen ziet in nieuwe technologie. Doel van de samenwerking: 1. Kennisdeling: wat is AI, wat gebeurt er al? 2. Inspiratie: waar liggen de kansen? 3. Creatie: Ontwikkeling en delen van nieuwe toepassingen 4. Valorisatie: Praktisch geld besparen in het ziekenhuis 5. Publicatie: Onze ervaringen bundelen en uitdragen 80

81 Ideeën onderzoeksgroep - Samen ideeën genereren - Kleine onderzoeksgroepen rond een onderwerp / thema - Snelle cyclische productontwikkeling - Team data scientist - Inzet studenten / aios / PHD s - Delen van kennis dmv inhoudelijke sessies / presentaties (2-4x per jaar) - Eén keer per jaar een grotere conferentie 81

82 Financiering - Opzetten team en infrastructuur - Gezamenlijke bijdrage - Externe financiers - Verder uitwerken business modellen 82

83

84 84

85 85

86 86

87 87

88 88

89 89

90

91 Sensely virtual nurse 91

92 Ondersteuning ouders Atomwise: Onderzoek naar nieuwe medicatie Aicure.ai: monitoren medicatiegebruik en effect 92

93 Artificial Intelligence Ontwikkelingen Nieuwe technologie (AI, robotica, IoT) gaat de komende jaren enorme impact hebben op de zorg. In combinatie met de enorme toename van medische gegevens biedt dit grote kansen voor de ontwikkeling van slimme toepassingen op het gebied van diagnostiek, risicobeheersing, beslissingsondersteuning en automatisering. Toepassingsgebieden AI in de zorg Diagnostiek Risicobeheersing / beslissingsondersteuning Automatisering 93

94 Visie Ontsluiten bouwen samenwerken Performation HOTflo wil een leidende rol spelen op gebied van AI in de zorg door: Het toegankelijk maken van deze technologie door ziekenhuisdata te ontsluiten tbv AI toepassingen Het bouwen van AI-toepassingen om zorgprofessionals te ondersteunen en te ontzorgen binnen de huidige proposities Het samenwerken met andere partijen die op onze infrastructuur kunnen aansluiten In 3 jaar willen we dat onze algoritmen impact hebben op 5 miljoen patiënten per jaar in Nederland en dat onze algoritmen meer dan 100 miljoen keer per jaar worden toegepast. 94

95 Uitdagingen AI Problemen bij toepassingen van AI - Data - Versnippering - Versnelling - Tijdsintensieve voorbereiding (preprocessing) - Talent 95

96 Faciliteren AI met behulp van de DataGateway Toepas singen Toepas singen Toepas singen Toepas singen Toepas singen Toepas singen AI data Layer: een laag met gegevens die kant en klaar is voor gebruik in AI modellen Algoritmen bibliotheek Performation Algoritmen bibliotheek derden Algoritmen Bibliotheek: verzameling van onderzochte en bewezen algoritmen en modellen AI data layer DataGateway ZIS/EPD Agenda HRM Lab sensoren 96

97 USP Performation HOTflo: Van: preprocessing ML Training Validatie Naar: preproces sing ML training - validatie 97

98 Projecten AI afgelopen periode Automatische codering DBC en ICD10 Adverse Event detectie Extractie medische voorgeschiedenis Detectie Delier Detectie val incidenten Huisartsen dossiers: voorspellen levenseinde 98

99 AI, klinkt spannend, maar hoe werkt dat nou?? Gestructureerde data Geannoteerde dataset text Tekstuele data signals Sensoren warning beelden Human expert checklist 99

100 Voorbeeld automatische codering Doel: automatisch ICD-10 diagnosen uit brieven halen Input: - Gecodeerde LBZ dataset van (mét ICD-10 hoofd- en nevendiagnose) - Gestructureerde data over de opnamen (administratieve data, ) - Ongestructureerde data over de opnamen (ontslagbrief, decursus, OK-verslag, pathologieverslag, etc) - Diverse algoritmen uitproberen: - Treeboost (XGBoost) algoritme: 46% accuraat - CNN algoritme: 75% accuraat - SVM algoritme: 81-85% accuraat 100

101 101

102 102

103 103

104 Adverse Events Dia 104

105 Case studie: heropnames voorkomen 105

106 Wat willen wij oplossen? In Nederland komen per ziekenhuis gemiddeld ongeplande heropnames per jaar voor. Dat is 6 per dag. Gemiddeld ligt men 6 dagen. Dit heeft een grote impact op de ziekenhuisorganisatie (kosten, bedbezetting) en op de patiënt. Doel: het voorkomen van ongeplande heropnames door vroegtijdige detectie van risico op een heropname. 106

107 Hoe gaan we dat doen? Product: Geeft tijdens de opname feedback aan de zorgprofessional over het risico dat de patiënt loopt op een heropname. Wat doet het product: Op basis van een groot aantal gegevens van de patiënt die tijdens de opname worden vastgelegd (leeftijd, geslacht, urgentie, specialisme, labwaarden, herkomst, comorbiditeiten etc) wordt continu een risico op heropname berekend en teruggekoppeld aan de zorgverlener. Eisen aan product: Toepasbaar in primaire proces zorgverlener, schaalbaar naar andere ziekenhuizen

108 Businesscase De businesscase voor een middelgroot ziekenhuis: reductie ongeplande heropnames heropnames per jaar 6 dagen (gemiddelde verpleegduur heropname) verpleegdagen 38 bedden ,- jaarlijkse kosten (obv 500,- per dag) 20% reductie (=realistisch) levert een besparing van ,- 1. Verlies in omzet niet meegetelt 108

109 Onderzoeksgroep Doel: Samen kansen benutten die de nieuwe technologie biedt Kennisdeling: wat is AI, wat gebeurt er al? Inspiratie: waar liggen de kansen? Creatie: Ontwikkeling en delen van nieuwe toepassingen Valorisatie: Praktisch geld besparen in het ziekenhuis Publicatie: Onze ervaringen bundelen en uitdragen 109

110 Toekomstplan AI AI datalaag - Bouwen aan een datalaag (AI-Layer) waar data wordt voorbereid om toegepast te worden mbv AI - Uitbouw DGW (teksten, lab, medicatie, etc) - Feature classes maken Technieken en algoritmen - Verschillende technieken toepassen (Machine Learning, Deep Learning, NLP/linguistiek) - Klaarzetten van bewezen algoritmen - Bouwen in producten en/of aansluiten aan producten Mensen - Verzamelen van een groep AI ers die diverse technieken beheersen - In tijdlijn de behoefte uitzetten: welke proposities hebben welke kennis nodig 110

111 Experts Data Science Doel: Performation HOTflo AI driven maken Binnen 3 jaar speelt AI in elke propositie van Performation HOTflo een essentiële rol in het voorspellen, automatiseren en ondersteunen bij beslissingen. Hiertoe wordt in 3 jaar toegewerkt naar een team van minimaal 15 data scientists: Aanpak om te komen tot een sterk team van AI experts - Vanuit de proposoties duidelijk krijgen: wat is er nodig aan expertise? - Huidige 2 vacatures invullen - Goede combinatie van seniors-mediors-juniors - Aansluiting zoeken bij universiteiten en hogescholen voor stages en afstudeervakken. Hiermee krijg je ook toegang tot toekomstig gekwalificeerd personeel - Goede opleidingen aanbieden 111

112 112

113 Wat is een data scientist? Een data scientist is iemand die: grote hoeveelheden data verwerkt, uit gestructureerde en ongestructureerde bronnen, om daarmee voorspellingen te doen op één van de volgende gebieden: - Diagnostiek - Risicobeheersing - Automatisering 113

114 114

115 115

116 Output Model (zie bv MUMC) Model performance Dia 116

117 Uitkomstmaten Accuracy: ratio goed geselecteerd (positive&negative) op totaal Precision: hoeveel van de geselecteerde dossiers zijn relevant (positive predictive value) Recall: hoeveel van de relevante dossiers zijn geselecteerd (sensitivity) F1-score: combinatie van precision en recall Dia 117

118 Adverse Events Geen Adverse Events Dia 118

119 Adverse Events Geen Adverse Events Door model geselecteerde elementen Ideaal model A: model voorspelt precies de werkelijkheid Precision (hoeveel vd geselecteerden zijn relevant): 100% Recall (hoeveel vd relevante zijn geselecteerd): 100% Accuracy: (ratio goed voorspeld tov totaal observaties ): 100% Dia 119

120 Adverse Events Geen Adverse Events Door model geselecteerde elementen TP FP FN TN Model B: Precision (hoeveel vd geselecteerden zijn relevant): 4 vd 9 = 44% Recall (hoeveel vd relevante zijn geselecteerd): 4 vd 14 = 29% Accuracy: (ratio goed voorspeld tov totaal observaties ): 27 vd 42 = 64% Dia 120

121 Adverse Events Geen Adverse Events Door model geselecteerde elementen Model C Precision (hoeveel vd geselecteerden zijn relevant): 1 vd 12 = 8% Recall (hoeveel vd relevante zijn geselecteerd): 1 vd 14 = 7% Accuracy: (ratio goed voorspeld tov totaal observaties ): 18 vd 42 = 43% Dia 121

122 Adverse Events Geen Adverse Events Random geselecteerde dossiers Model D: klassiek dossieronderzoek dmv steekproef Precision (hoeveel vd geselecteerden zijn relevant): 1 vd 10 = 10% Recall (hoeveel vd relevante zijn geselecteerd): 1 vd 14 = 7% Accuracy: (ratio goed voorspeld tov totaal observaties ): 20 vd 42 = 46% Dia 122

123 Adverse Events Geen Adverse Events Door model geselecteerde elementen Model E: benaderd huidige Adverse Event model Precision (hoeveel vd geselecteerden zijn relevant): 6 vd 8 = 75% Recall (hoeveel vd relevante zijn geselecteerd): 6 vd 14 = 43% Accuracy: (ratio goed voorspeld tov totaal observaties ): 32 vd 42 = 76% Dia 123

124 Annotatie software Doel: input leveren voor het modelleren. Kennis van de professional wordt gebruikt om te trainen. Wordt gebruikt bij: Trainen van model Bijtrainen/corrigeren van model Dia 124

125 Annotatie software Dia 125

126 126