Het ongestructureerde structureren: Hoe we AI gebruiken om medisch inzicht te vergroten

Over het project

Een van de aanhoudende uitdagingen in de zorg is de enorme hoeveelheid ongestructureerde medische tekst, zoals bijvoorbeeld pathologie- en laboratoriumverslagen. Deze teksten bevatten waardevolle informatie, maar zijn moeilijk te analyseren en om te zetten in bruikbare inzichten. Om dit op te lossen, ontwikkelden we een interne oplossing die gebruikmaakt van Large Language Models (LLMs), vergelijkbaar met GPT-4 (via Azure Cognitive Services).

Het doel: zorgprofessionals in staat stellen om complexe vrije tekst snel, veilig, schaalbaar en efficiënt om te zetten in betekenisvolle inzichten. Zo ondersteunen we betere datagedreven besluitvorming in de hele sector.

De uitdaging

Zorgprofessionals genereren enorme hoeveelheden data via klinische documentatie, met name in de vorm van vrije tekst in elektronische patiëntendossiers (EPD’s), pathologieverslagen en laboratoriumuitslagen. Deze teksten bevatten cruciale informatie — van symptomen tot testresultaten — maar zijn ongestructureerd en dus moeilijk grootschalig te analyseren.

Traditioneel vergde het extraheren van bruikbare informatie uit dit soort data handmatige annotatie: een arbeidsintensief, tijdrovend proces dat gevoelig is voor menselijke fouten.

Daarbij komt dat verschillen in taalgebruik en coderingssystemen tussen zorginstellingen — vooral internationaal — het proces verder bemoeilijken. En dat alles binnen de kaders van strikte regelgeving rondom privacy, compliance en databeveiliging.

Een methode ontwikkelen om ongestructureerde klinische teksten snel, nauwkeurig en privacy-compliant om te zetten in gestructureerde, analyseerbare data is daarmee een essentiële stap naar efficiëntere, datagedreven zorg.

Onze oplossing

Traditioneel vergde het extraheren van bruikbare informatie uit dit soort data handmatige annotatie: een arbeidsintensief, tijdrovend proces dat gevoelig is voor menselijke fouten.

"Voorheen moest je 35.000 rapporten handmatig annoteren – dat kost weken. Nu doen we dat in 1,5 uur, en nog nauwkeuriger ook.."

Maarten van Meeuwen

Data Engineer, LOGEX

Resultaten

Ons eerste project was een samenwerking met het UMCG, waarbij we meer dan 35.000 verslagen analyseerden. Het gehele traject duurde twee jaar en omvatte experimenten, proof-of-concepts, infrastructuurontwikkeling en de bouw van een geautomatiseerde workflow voor grootschalige dataverwerking. Dankzij AI kan de analyse van de 35.000 rapporten vandaag de dag in slechts 1,5 uur worden uitgevoerd — met hogere nauwkeurigheid dan wanneer dat handmatig gebeurt.

Om betrouwbaarheid te waarborgen, doet het AI-model eerst een analyse op basis van een vastgestelde prompt: welke testen zijn uitgevoerd en wat zijn de uitkomsten? Deze resultaten worden vervolgens gevalideerd door experts, die ze verfijnen en gebruiken om validatiesets te creëren.

Als onderdeel van de validatie vergelijken we een steekproef van zo’n 500 rapporten — zowel handmatig geannoteerd als door AI verwerkt. Opmerkelijk genoeg signaleert het AI-model vaak zaken die mensen over het hoofd zien. Door de repetitieve aard van de taak sluipen er menselijke fouten in, terwijl AI consistent en nauwkeurig blijft. Zo ontstaan er inzichten van hogere kwaliteit, waarmee artsen sneller én met meer vertrouwen kunnen handelen.

Deze aanpak overbrugt bovendien de kloof tussen domeinexpertise en data-implementatie. Medisch specialisten, onderzoekers en analisten kunnen nu zelf met de tooling aan de slag, met minder afhankelijkheid van technische teams. Zo versnellen we de weg van ruwe klinische data naar bruikbare inzichten.

Op naar de volgende stap

Na het succes van het project in Nederland, richten we ons nu op Spanje — een land met een hoge productie van vrije medische tekst. Door de oplossing op te schalen naar meerdere talen en datastructuren, vergroten we de impact van AI-oplossingen in zowel lokale als internationale contexten.

"We helpen klanten sneller van ruwe data naar bruikbare inzichten te gaan. Dat verandert alles."