9 maart 2025
Het toepassen van grote taalmodellen (LLM’s) in klinisch ziektebeheer brengt grote uitdagingen met zich mee. Hoewel deze modellen effectief zijn gebleken in diagnostisch redeneren, is hun inzet voor langdurige ziektebehandeling, medicatievoorschriften en zorg over meerdere consulten nog onvoldoende onderzocht. Belangrijke obstakels zijn het begrijpen van medische context over meerdere bezoeken heen, wisselende naleving van richtlijnen en complexe medicatiebeslissingen. Daarnaast vormen realtime interacties van hoge kwaliteit met patiënten en de efficiëntie van de computermodellen belangrijke aandachtspunten. Het oplossen van deze problemen is cruciaal om AI-systemen te ontwikkelen die zorgprofessionals ondersteunen bij nauwkeurige en gepersonaliseerde beslissingen.
Eerdere AI-gestuurde klinische modellen waren voornamelijk gericht op diagnostiek en maakten gebruik van gestructureerde datasets voor differentiële diagnose. In de praktijk blijken deze benaderingen echter beperkt bruikbaar voor ziektebeheer. Ze slagen er vaak niet in om het volledige patiëntverloop bij te houden, wat leidt tot inconsistente behandeladviezen. Veel modellen hebben bovendien moeite met het strikt volgen van klinische richtlijnen, wat de betrouwbaarheid van het zorgplan vermindert. Medicatiebeheer vormt daarnaast een uitdaging, omdat inconsistente keuzes in medicatie, dosering en interacties de veiligheid in gevaar brengen. Bovendien vereist medische besluitvorming snelle verwerking van grote hoeveelheden gegevens, wat voor veel LLM-gebaseerde systemen een computationale belemmering vormt.
Onderzoekers van Google hebben een geavanceerd AI-systeem ontwikkeld dat is ontworpen voor klinisch ziektebeheer en herhaalde patiëntbezoeken. Dit systeem maakt gebruik van een multi-agentstructuur met onder meer een Dialoogagent, die empathische gesprekken voert en patiëntgeschiedenis bijhoudt, en een Management Reasoning (Mx) Agent, die klinische richtlijnen en testresultaten integreert in behandelplannen. Dankzij de uitgebreide contextmogelijkheden van Gemini kan het model zich aanpassen aan actuele klinische richtlijnen en medicatiegegevens. In tegenstelling tot traditionele AI-modellen, die vaak slechts één consult tegelijk verwerken, maakt dit systeem dynamische aanpassingen op basis van patiëntvoortgang en nieuwe testresultaten.
Om de medicatiebeslissingen van het systeem te evalueren, werd een nieuwe dataset, RxQA, ontwikkeld. Deze bevat multiple-choicevragen afkomstig uit Amerikaanse en Britse nationale medicatierichtlijnen en toetst het vermogen van het systeem om complexe farmacologische problemen op te lossen. De prestaties van het model werden vergeleken met die van artsen via een geblindeerde, gerandomiseerde virtuele klinische examenomgeving (OSCE), waarbij 100 herhaalde consultscenario’s werden getest aan de hand van NICE-richtlijnen en BMJ Best Practice. Het systeem omvat ook een gestructureerd generatiemechanisme, dat consistentie in uitkomsten garandeert en nauwkeurige verwijzingen naar klinische richtlijnen biedt.
In vergelijkende testen presteerde het AI-model gelijkwaardig aan huisartsen in ziektebeheer, maar overtrof hen in nauwkeurigheid van behandelingsplannen, medicatiebeheer en naleving van richtlijnen. De multi-visit benadering zorgde voor betere gestructureerde plannen met specifieke aanbevelingen voor onderzoeken en behandelingen. Op het gebied van medicatiebeheer presteerde het model beter dan menselijke artsen, vooral bij ingewikkelde medicatievragen. Daarnaast beoordeelden zowel specialisten als acteurs die patiënten nabootsten het systeem positief op het vermogen om behandelingstrajecten bij te werken en patiëntgerichte beslissingen te nemen. Dit suggereert dat het systeem effectief kan bijdragen aan AI-ondersteunde klinische besluitvorming.
Dit AI-systeem markeert een grote vooruitgang in medisch beheer door de overstap van pure diagnostiek naar langdurige patiëntenzorg en behandelplanning. Het gebruik van diepgaande contextanalyse, samenwerking tussen meerdere agents en realtime raadpleging van klinische richtlijnen zorgt voor een besluitvormingsproces dat vergelijkbaar is met dat van artsen. De nauwkeurigheid van behandeladviezen en naleving van protocollen onderstrepen de potentie van AI in de gezondheidszorg. Hoewel verdere validatie in de dagelijkse klinische praktijk nodig is, vormt dit onderzoek een belangrijke stap in de richting van meer uniforme en automatische zorgprocessen via AI.
Geef een reactie