Het formulier is succesvol verzonden.
Meer informatie vindt u in uw mailbox.
Inhuren
Over onsDienstenTechnologieënIndustrieënPortfolio
Ik heb genoeg IT-bijeenkomsten over de gezondheidszorg bijgewoond om een patroon te herkennen. Elk gesprek over het terugdringen van burn-out bij zorgverleners komt uiteindelijk weer terug op het typen. Artsen hebben niet jarenlang gestudeerd om gegevensinvoerder te worden, maar toch besteden ze een aanzienlijk deel van hun werkdag aan precies dat.
Spraakherkenning in de gezondheidszorg is een van de weinige technologieën die dit probleem rechtstreeks aanpakt door zorgverleners te laten spreken in plaats van te typen. In dit artikel wordt uitgelegd wat deze technologie precies inhoudt, hoe ze van begin tot eind werkt, waar ze nu al haar nut bewijst, en wat er nodig is om van een gelikte demo tot een systeem te komen waarop artsen vertrouwen bij echte patiënten.
Medische spraakherkenningssoftware legt gesproken taal vast – of het nu gaat om een arts die een aantekening dicteert of een patiënt die tijdens een telefoongesprek zijn of haar symptomen beschrijft – en zet deze om in gestructureerde, bruikbare gegevens binnen een klinische workflow. Dat klinkt eenvoudig, totdat je je realiseert hoeveel overlappende termen er voor hetzelfde concept worden gebruikt. Hieronder wordt uitgelegd hoe ze van elkaar verschillen:
Als je de marketingtaal even buiten beschouwing laat, volgen de meeste spraaksystemen in de gezondheidszorg hetzelfde proces, of het nu gaat om een eenvoudige dicteerapp of een ziekenhuisbreed systeem voor automatische transcriptie. Dat ziet er ongeveer zo uit:
Leveranciers vinden het heerlijk om elke kleine variant op “software die luistert” een eigen pakkende naam te geven, waardoor het uitkiezen ervan aanvoelt als koffie bestellen in een zaak met veertig soorten siroop, terwijl je eigenlijk alleen maar iets warms met cafeïne wilde. Maar als je de merknaam even buiten beschouwing laat, zijn er eigenlijk maar een handvol soorten spraakhulpmiddelen voor de gezondheidszorg, elk ontworpen voor een ander moment in de dag van een zorgverlener.
De klassieke opstelling. Een zorgverlener dicteert rechtstreeks in een microfoon of een draagbare recorder, en de software zet de spraak in realtime of achteraf om in tekst, zodat deze kan worden gecontroleerd en ondertekend.
Deze systemen, ook wel AI-notulisten genoemd, luisteren passief mee tijdens een patiëntconsult en stellen daarna een gestructureerd verslag op, zonder dat de arts daar bewust iets voor hoeft te dicteren.
Conversatiesystemen die meer doen dan alleen aantekeningen maken. Ze kunnen vragen van zorgverleners beantwoorden, gegevens uit dossiers opvragen of taken uitvoeren die gericht zijn op patiënten, zoals eerste contacten en vervolggesprekken.
Handsfree bedieningselementen voor navigatie in het EPD, beeldvormingssystemen of chirurgische apparatuur, waardoor het personeel tijdens het werk zijn handen steriel of vrij kan houden.
Een nieuwere categorie waarbij spraakpatronen, toonhoogte, pauzes en trilling worden geanalyseerd om vroege aanwijzingen te vinden voor aandoeningen zoals de ziekte van Parkinson, depressie of cognitieve achteruitgang.
Vraag een leverancier hoe spraakherkenning in de gezondheidszorg wordt gebruikt en je krijgt een presentatie met zo’n dertig punten, waarvan de meeste neerkomen op: “we hebben typen optioneel gemaakt.” Eerlijk gezegd is dat best begrijpelijk. Dat typen optioneel is, wordt onderschat. Hier zie je hoe dat in de praktijk werkt in een echte klinische omgeving, naast het maken van aantekeningen – iets wat iedereen al als vanzelfsprekend beschouwt.
De grootste en meest volwassen toepassing. Of het nu gaat om dicteren of het automatisch vastleggen van gesprekken, op deze manier levert spraakherkenningstechnologie in de gezondheidszorg het grootste deel van haar ROI op: door de tijd te verminderen die zorgverleners na werktijd besteden aan het schrijven van aantekeningen.
Met spraakopdrachten kunnen zorgverleners patiëntendossiers opvragen, voorschriften invoeren of gegevens opzoeken zonder het toetsenbord aan te raken, wat in een steriele omgeving of wanneer men handschoenen draagt belangrijker is dan het klinkt.
Spraakbots nemen routinematige telefoontjes over planning af, verzamelen intake-informatie en bevestigen afspraken, waardoor het receptiepersoneel tijd overhoudt voor complexere gesprekken.
Spraaktechnologie in de gezondheidszorg maakt realtime transcriptie mogelijk tijdens videoconsulten en spraakgestuurde check-ins voor patiënten op afstand; een gebied waarop we rechtstreeks actief zijn via ontwikkeling van apps voor telezorg.
Onderzoekers maken gebruik van spraaktools om patiëntgesprekken uit te schrijven, meldingen van ongewenste voorvallen vast te leggen en het invullen van casusrapportformulieren tijdens klinische proeven te versnellen.
Spraakinterfaces bieden zorgverleners met mobiliteitsbeperkingen, of iedereen die zijn handen vol heeft, de mogelijkheid om zonder toetsenbord of muis met klinische systemen te communiceren.
Naast het vastleggen van gegevens analyseren sommige systemen de stem zelf als klinische gegevens, waarbij ademhalingsproblemen, vermoeidheid of neurologische symptomen aan de hand van spraakpatronen worden gesignaleerd.
Elk stuk van software voor de gezondheidszorg wordt verkocht met dezelfde drie beloften: het bespaart tijd, verbetert de resultaten en maakt iedereen gelukkiger. Meestal is dat niets meer dan wishful thinking in een laboratoriumjas. Spraakherkenning is een van de gevallen waarin de voordelen van spraakherkenningstechnologie in de gezondheidszorg standhouden als je verder kijkt dan de verkooppraatjes, en die voordelen worden verschillend ervaren, afhankelijk van wie je het vraagt.
Het belangrijkste voordeel is dat er na een dienst minder tijd aan aantekeningen hoeft te worden besteed. Een onderzoek van Mass General Brigham en de Universiteit van Californië uit onderzoek bleek dat zorgverleners die gebruik maakten van AI-schrijvers een afname van ongeveer 10% in de dagelijkse documentatietijd zagen.
Als een zorgverlener niet naar een scherm zit te staren terwijl hij typt, kijkt hij naar de patiënt. Dat alleen al verandert de beleving van een consult, en dat komt meestal tot uiting in de tevredenheidsscores van patiënten wanneer er gebruik wordt gemaakt van achtergronddocumentatie.
Snellere documentatie leidt tot snellere factureringscycli, minder registratiewerk buiten kantooruren en een reële kans om het verloop onder zorgverleners terug te dringen, wat een veel grotere kostenpost is dan de meeste softwarebudgetten.
Een spraaktool die weliswaar prachtig transcribeert, maar vervolgens gewoon op zichzelf staat, los van al het andere, is in feite niet meer dan een duur notitieblok met een mooier handschrift dan dat van de meeste artsen. De echte waarde komt pas tot uiting als de tool is geïntegreerd in de systemen waarmee zorgverleners al werken, wat meestal betekent:
Achter de schermen maakt dit systeem gebruik van API’s en standaarden voor gezondheidszorggegevens, zoals HL7 V2 en FHIR, in combinatie met zorgvuldige datamapping, zodat een getranscribeerde term in het juiste gestructureerde veld terechtkomt. Identiteitsbeheer bepaalt wie een door spraak gegenereerde invoer kan activeren of goedkeuren, en er mag niets in het permanente dossier terechtkomen zonder dat dit eerst door een zorgverlener is goedgekeurd.
Nu het deel dat leveranciers vaak in een voetnoot verdoezelen. De voor- en nadelen van spraakherkenningssystemen in de gezondheidszorg zijn niet evenwichtig verdeeld, omdat de nadelen van dien aard zijn dat ze in het dossier van een patiënt terecht kunnen komen als er niet goed op wordt gelet. Dit alles maakt de technologie nog niet tot een slechte keuze. Het betekent alleen dat de invoering dezelfde zorgvuldigheid verdient als elk ander klinisch hulpmiddel, en niet hetzelfde enthousiasme als bij een nieuwe telefoon. Laten we eens kijken naar de typische uitdagingen en hoe we die kunnen beperken.
Uitdaging: Algemene spraakmodellen hebben moeite met geneesmiddelennamen, afkortingen en vakjargon.
Gevolgen: Verkeerd verstaan termen kunnen een klinisch verslag onopgemerkt vertekenen, wat veel ernstiger is dan een typefout in een e-mail.
Beperking: Gebruik ASR-modellen die zijn afgestemd op medische corpora en vakspecifieke woordenschatten, en stuur alles wat onzeker is door voor beoordeling door een mens.
Uitdaging: De nauwkeurigheid neemt merkbaar af bij niet-moedertaalaccenten en regionale dialecten, een algemeen bekend zwak punt in de hele sector.
Gevolgen: Dit kan leiden tot een lagere kwaliteit van de documentatie, zowel voor zorgverleners als voor patiënten uit ondervertegenwoordigde taalgroepen.
Beperking: Train of verfijn modellen op basis van datasets met verschillende accenten en ondersteun meertalige modellen wanneer de patiëntenpopulatie daar behoefte aan heeft.
Uitdaging: Drukke afdelingen, gelijktijdige gesprekken en geluid van apparatuur hebben allemaal een negatieve invloed op de kwaliteit van de transcriptie.
Gevolgen: Vervormde audio betekent meer handmatige correcties, waardoor de tijdwinst die de tool juist had moeten opleveren, teniet wordt gedaan.
Beperking: Combineer richtmicrofoons met modellen voor ruisonderdrukking en diarization die zijn afgestemd op klinische omgevingen.
Uitdaging: Bij samenvattingen op basis van LLM’s kunnen er soms details worden verzonnen die nooit zijn genoemd; dit is een risico dat specifiek is voor generatieve systemen.
Impact: Een symptoom dat als een hallucinatie wordt beschreven of een medicijn dat in een aantekening wordt genoemd, vormt een risico voor de patiëntveiligheid en is niet louter een ongemak.
Beperking: Zorg ervoor dat er altijd een beoordelingsstap door een mens plaatsvindt, sla de bronaudio samen met de gegenereerde tekst op en toets de modellen aan klinische nauwkeurigheidsbenchmarks voordat ze in gebruik worden genomen.
Uitdaging: Artsen die al met een overvolle agenda worstelen, staan begrijpelijkerwijs huiverig tegenover het leren omgaan met een nieuw hulpmiddel.
Gevolgen: Een lage acceptatiegraad betekent dat de organisatie betaalt voor een platform dat grotendeels ongebruikt blijft.
Beperking: Begin met een kleine proefgroep van enthousiaste early adopters, verzamel snel feedback en laat de resultaten van collega’s – en niet een verplichting – de basis vormen voor een bredere uitrol.
Uitdaging: Oudere EPD’s en ziekenhuissystemen zijn niet ontworpen met het oog op moderne API’s.
Impact: Zonder integratie worden spraaktools een parallelle werkstroom die zorgverleners handmatig moeten afstemmen, wat het doel tenietdoet.
Beperking: Maak gebruik van HL7 V2- en FHIR-interface-engines, en bouw, wanneer er geen geschikte API beschikbaar is, een middlewarelaag in plaats van een volledige vervanging van de kernsystemen af te dwingen.
Zodra een microfoon iemand opneemt die zijn of haar symptomen beschrijft, is die opname niet langer een onschuldig audiobestand, maar wordt het beschermde gezondheidsinformatie (PHI) met juridische gevolgen. Het maakt niet uit of het slechts een routinecontrole was. Door dit te licht op te vatten, komen organisaties uiteindelijk in het nieuws terecht om de verkeerde redenen. Bij een serieuze implementatie moet rekening worden gehouden met:
Welke van deze punten precies van toepassing zijn, en in hoeverre, hangt af van het land, het soort organisatie en het doel waarvoor de spraakgegevens worden gebruikt. Een ziekenhuis dat volledige medische consulten opneemt, heeft een heel ander risicoprofiel dan een planningsbot die een telefoonnummer verzamelt. Dit is ook waar cyberbeveiliging op medisch niveau Dit werk loont de moeite, aangezien een spraakpijplijn slechts zo betrouwbaar is als de zwakste schakel in de gegevensverwerking.
Niemand koopt “spraakherkenning voor de gezondheidszorg” kant-en-klaar, zoals je een nietmachine zou kopen. Het wordt stuk voor stuk samengesteld uit tools die eigenlijk nooit bedoeld waren om naast elkaar te staan. Een typische stack lijkt minder op één enkel product en meer op een goed georganiseerde gereedschapskist:
Een keuze maken uit deze lijst is niet het moeilijkste deel. Het moeilijkste deel is ervoor te zorgen dat de onderdelen binnen een gereguleerde omgeving betrouwbaar met elkaar communiceren, en dat is precies waar de meeste interne pogingen vastlopen. Dat is de kloof die de technische teams van Innowise zijn opgezet om te dichten.
De kosten variëren enorm, afhankelijk van de omvang. De belangrijkste kostenfactoren zijn de diepgang van EHR-integratie, of de oplossing een aangepaste afstemming van het model vereist voor een specifiek vakgebied of accent, de mate waarin beveiliging en naleving van regelgeving vereist zijn, en in hoeverre de workflow voorziet in doorlopende menselijke controle en monitoring. De uiteindelijke kosten zijn afhankelijk van uw specifieke projectomvang, bestaande infrastructuur en vereisten, en de enige betrouwbare manier om een concreet bedrag te krijgen, is een gedegen technische beoordeling door Innowise.
Het voorspellen van de toekomst van welke AI-gerelateerde technologie dan ook is tegenwoordig een beetje een hopeloze onderneming, gezien het feit dat de doorbraak van dit jaar vaak al volgend jaar slechts een voetnoot is. Toch zijn er een paar ontwikkelingsrichtingen die zo consistent terugkomen in zowel onderzoek als productroadmaps dat ze serieus genomen moeten worden en niet afgedaan mogen worden als hype:
Innowise houdt deze veranderingen al in de gaten bij lopende projecten in de gezondheidszorg, dus in het volgende deel gaat het minder om theorie en meer om een blik op hoe wij daarbij helpen.
We hebben software voor de gezondheidszorg lang genoeg om te weten dat een spraakherkenningsproject zelden mislukt vanwege het spraakmodel. Het mislukt vanwege alles eromheen: de integratie, het werk op het gebied van compliance, het verandermanagement. Dat is waar wij ons op richten. Ons team houdt zich bezig met:
Mocht de spraakherkenningsfunctie uiteindelijk worden aangemerkt als ‘Software as a Medical Device’ (SaMD), dan is daar ook al voor gezorgd. Innowise is ISO 13485-gecertificeerd; dit is de norm voor kwaliteitsmanagement waar auditors specifiek naar kijken bij software voor medische hulpmiddelen.
We hebben eerder soortgelijke gevoelige integratieprojecten uitgevoerd in gereguleerde omgevingen, zoals ons project voor Telea Medical, een fabrikant van medische hulpmiddelen in de EU, waarbij ons team een module voor het decoderen van gegevens grondig heeft herzien volgens strenge normen voor medische hulpmiddelen. Je kunt het Casestudy van Telea Medical om een idee te krijgen van hoe wij in de praktijk omgaan met naleving van de regelgeving in de gezondheidszorg. Het is ook een van de redenen waarom organisaties ons werk steeds weer erkennen, dus het is de moeite waard om eens door onze prijzen op het gebied van de gezondheidszorg voor de volledige lijst.
Het is software die gesproken klinische taal – afkomstig uit het dictaat van een arts of een volledig gesprek met een patiënt – omzet in gestructureerde tekst die kan worden gecontroleerd en in een medisch dossier kan worden opgenomen.
Bij traditionele medische transcriptie luistert een transcribent meestal naar een opname en typt deze uit. Spraakherkenning automatiseert dat omzetten, hoewel een mens de uitkomst nog steeds controleert voordat deze definitief wordt vastgelegd.
Dit verschilt sterk per situatie. Gecontroleerd dicteren kan zeer nauwkeurig zijn, terwijl gesprekken met veel achtergrondgeluid en meerdere sprekers veel moeilijker zijn; juist daarom blijft menselijke controle een vast onderdeel van elke serieuze workflow.
Ja, via standaard interoperabiliteit van gezondheidsgegevens protocollen zoals HL7 V2 en FHIR, of via leveranciersspecifieke API’s voor grote EPD-platforms. De mate van die integratie is meestal hetgeen dat het verschil maakt tussen een geslaagde implementatie en een frustrerende.
De technologie kan zo worden ontwikkeld dat ze voldoet aan de HIPAA-normen, maar of dit daadwerkelijk het geval is, hangt af van de manier waarop deze wordt geïmplementeerd: versleuteling, toegangsbeheer, overeenkomsten met leveranciers en auditlogging moeten allemaal aanwezig zijn. Het is geen functie die standaard is ingebouwd.
Een eenvoudige dicteertool kan binnen enkele weken operationeel zijn. Het opzetten van een productieklaar platform voor omgevingsdocumentatie met volledige EHR-integratie duurt doorgaans enkele maanden, voornamelijk vanwege de werkzaamheden op het gebied van naleving en integratie, en niet vanwege de AI zelf.
Senior Technical Delivery Manager in Gezondheidszorg & MedTech
Aleh overbrugt de kloof tussen klinische behoeften en technische uitvoering. Hij past diepgaande domeinkennis toe om ervoor te zorgen dat MedTech-systemen niet alleen voldoen aan de voorschriften, maar ook betrouwbaar genoeg zijn om een meetbare impact te hebben in de echte gezondheidszorg.
