Door personeelstekorten staan professionals in de gezondheidszorg meer dan ooit onder druk. Nergens is dit duidelijker dan in de radiologie, waar radiologen in een onderzoek van Medscape uit 2023 tot de meest burn-out specialisten behoren [1]. Leiders in de radiologie sloegen ook alarm over het feit dat personeelstekorten leiden tot langere wachttijden en vertragingen in de behandeling van patiënten [2]. Nooit eerder was er een grotere behoefte om radiologen en beeldvormingsmedewerkers terug te geven wat ze het meest missen: tijd.
Toen ik in 1996 als neuroradioloog begon te werken, bestond een CT-onderzoek van de hersenen uit 20 beelden. Toen ik 15 jaar later de overstap maakte van klinische praktijk naar digitale innovatie in de gezondheidszorg, was dat aantal gestegen tot 1.200 - een 60-voudige (!) toename. Deze opmerkelijke gegevensexplosie stelde mij en mijn collega's in staat om diagnoses te stellen met meer precisie dan ooit tevoren. Maar het was ook een onmiskenbare bron van gegevensoverbelasting. We hadden niet meer tijd per onderzoek, noch waren onze workflows even snel ontwikkeld om de efficiënte interpretatie van zoveel beelden te ondersteunen.
Dit wijst op een fundamentele asymmetrie in radiologische innovatie. Aan de ene kant hebben we spectaculaire vooruitgang gezien in medische beeldvormingstechnologie - en het is echt verbazingwekkend hoe innovaties in MR, CT, echografie en andere modaliteiten radiologen nu kunnen helpen bij het verkrijgen van enorm gedetailleerde en nauwkeurige beelden van het menselijk lichaam. Aan de andere kant ontbreekt het radiologieafdelingen vaak aan tijd en middelen om de groeiende hoeveelheid gegevens en technologische complexiteit te beheren - vooral omdat ze tegen de beperkingen van personeelstekorten aanlopen.
Simpel gezegd: de radiologieworkflows hebben het tempo van de beeldvormingsinnovatie niet bijgehouden.
Het aanpakken van deze asymmetrie kan helpen een uitweg te vinden uit de burn-outcrisis in de radiologie. Het komt ook overeen met wat ik van klanten hoor. Tien jaar geleden waren ze vooral geïnteresseerd in de technische specificaties van de nieuwste beeldvormingsapparatuur. Tegenwoordig ligt hun focus op het optimaliseren van workflows om een snellere, nauwkeurigere diagnose te kunnen stellen.
Radiologie-leiders zijn niet op zoek naar meer pixels. Ze richten zich op de vraag hoe ze radiologen en medewerkers kunnen voorzien van de juiste capaciteiten en kennis om meer patiënten sneller van dienst te kunnen zijn. En voor patiënten is tijd ook van belang: het kan het verschil betekenen tussen kanker die in een vroeg stadium wordt ontdekt en nog behandeld kan worden en kanker die onopgemerkt verder ontwikkelt tot een vergevorderde en mogelijk levensbedreigende aandoening.
Daarom moeten we het tempo van de workflowinnovatie in de radiologie opvoeren. Het is een belangrijk aandachtspunt van onze aangescherpte strategische focus bij Philips, met de lancering van de grootste informaticaonderneming in de sector eerder dit jaar.
Ons doel in radiologie? De diagnosetijd verkorten, zonder afbreuk te doen aan de kwaliteit.
Ik zal je vijf tastbare voorbeelden geven van hoe dat eruitziet en hoe artsen, personeel en patiënten hiervan kunnen profiteren - te beginnen bij de beeldvorming.
Met de ontwikkeling van beeldvormingsmodaliteiten zoals MR en CT nam ook de complexiteit van de onderzoeken toe. Radiologietechnologen moeten voor elke patiënt de juiste protocollen en criteria kiezen om de beste beeldvormingsresultaten te garanderen en nauwkeurige diagnoses mogelijk te maken. Dat kan een aanzienlijke bron van stress zijn als de technoloog niet beschikt over de vereiste deskundigheid op het gebied van subspecialisatie en er geen ervaren collega in de buurt is om te ondersteunen.
Helaas is dit precies de realiteit waar velen van hen vandaag de dag mee te maken hebben, vooral in kleinere beeldvormingscentra. Er zijn meer openstaande vacatures voor radiologietechnologen dan welke andere groep van professionals in de gezondheidszorg dan ook [3], en ze hebben uitvoerige training nodig om ingewikkelde onderzoeken uit te voeren.
Een manier om dit probleem aan te pakken is een technoloog een 'beschermengel' te bieden die over zijn schouder meekijkt en virtuele begeleiding en ondersteuning biedt. Dat is de drijfveer achter het Radiology Operations Command Center. Technologen op locatie kunnen een beroep doen op experts in een centrale hub voor hulp bij het voltooien van een scan of het aanpassen van een beeldprotocol, terwijl de patiënt nog op de scannertafel ligt. Vooraanstaande leveranciers van beeldvorming omarmen dit model nu om medewerkers op verschillende locaties meer mogelijkheden te geven door samenwerking op afstand en virtuele scanondersteuning.
We maken eenvoudig en moeiteloos wat vroeger uitdagend en tijdrovend was. Voor radiologieafdelingen betekent dit dat ze de expertise van hun personeel kunnen uitbreiden naar afgelegen gebieden, of omgekeerd, experts op afstand kunnen inzetten, zodat ze meer patiënten van dienst kunnen zijn. En voor patiënten betekent het snellere toegang tot de juiste zorg.
Toen ik als radioloog onderzoeken las, hield ik me altijd bezig met de volgende vraag: wat als van de ontelbare onderzoeken die ik vandaag lees, het laatste onderzoek het onderzoek blijkt te zijn met een afwijking die dringend vervolgonderzoek vereist? In het ideale geval wil je niet dat die abnormale studie als laatste op de stapel komt. Je wilt dat het als eerste opduikt, zodat je de verwijzende arts onmiddellijk kunt waarschuwen.
Intelligente workflow-beheer kan precies dat mogelijk maken. Op basis van verschillende factoren, waaronder AI-gebaseerde screening, worden zaken automatisch geprioriteerd en gedelegeerd naar de juiste subspecialistische radioloog op het juiste moment en in de juiste volgorde. Dit helpt ook om de werkdruk in een beeldvormingsnetwerk in balans te brengen - het voorkomt dat een radioloog overbelast raakt wanneer een andere radioloog op 85% van zijn capaciteit werkt. Als gevolg hiervan kon een organisatie in de gezondheidszorg haar radiologische workflows met 50% versnellen, waardoor het vermogen om tijdige zorg van hoge kwaliteit te bieden aan elke patiënt aanzienlijk toenam [4].
In mijn tijd als radioloog werkte iedereen in hetzelfde ziekenhuisgebouw. Hoe anders is dat vandaag de dag. Nu de pandemie het thuis lezen van medische beelden heeft genormaliseerd, is 65% van de radiologen die voor academische ziekenhuizen werken van plan om op afstand te blijven lezen - een cijfer dat nog hoger ligt in een niet-academische omgeving (82%) volgens een recente studie gepubliceerd in het Journal of the American College of Radiology [5].
In deze nieuwe hybride realiteit moeten workflows een snelle en soepele uitwisseling van radiologiebeelden en andere medische informatie op verschillende locaties mogelijk maken, van het ziekenhuis tot thuis.
De behoefte aan 'altijd en overal' toegang tot informatie is een van de belangrijkste motivaties voor radiologieafdelingen om over te stappen op de cloud. Datacentra op locatie zijn over het algemeen niet uitgerust voor de grote uitgaande bandbreedte die nodig is om grote hoeveelheden medische beelden van het ziekenhuis naar huis te sturen.
Beeldvormingsplatforms in de cloud zijn veel beter geschikt voor deze eisen, waardoor gezondheidszorgsystemen hun beeldvormingsmogelijkheden op afstand veilig kunnen uitbreiden. Niet alleen dat, de schaalbare rekenkracht van de cloud is ook wat radiologieafdelingen in staat stelt om de transformatieve kracht van generatieve AI aan te spreken.
AI in de radiologie was vroeger een nieuwsgierigheid - nu is het een differentiator voor de praktijk. Om te begrijpen waarom, denk maar aan de weerapp op je telefoon. Je bent niet op zoek naar seconde-per-seconde meteorologische gegevens van duizenden sensoren in weerstations in de buurt - je wilt alleen weten of de zon over een uur schijnt of dat je een paraplu moet meenemen als je de deur uitloopt. Hetzelfde geldt voor radiologen, die vaak een schat aan gegevens hebben, maar een gebrek aan inzichten. Dat is waar AI om de hoek komt kijken.
Door enorme hoeveelheden beeldvormingsgegevens om te zetten in zinvolle inzichten, kan AI de cognitieve belasting van radiologen verminderen en hen in staat stellen hun expertise daar in te zetten waar deze het belangrijkst is. Bij CT-screening van longkanker, waarbij vroege opsporing cruciaal is voor betere resultaten voor de patiënt, kan AI radiologen bijvoorbeeld helpen om longknobbels 26% sneller te identificeren en ook 29% van de eerder gemiste knobbels te detecteren [6].
Een ander voorbeeld is dat AI kan helpen bij de triage van patiënten die worden opgenomen op de spoedeisende hulp met vermoedelijke botbreuken, door automatisch radiografiescans te identificeren waarbij er geen direct bewijs is van een breuk. Hierdoor kunnen radiologen zich concentreren op complexere en urgentere gevallen, terwijl patiënten profiteren van kortere wachttijden [7].
Stelt u zich een piloot voor die een vliegtuig bestuurt en het cabinepersoneel moet oproepen om gegevens te verzamelen over hoogte, luchtsnelheid en navigatie. Het is niet ver van de realiteit waar radiologen mee te maken krijgen als ze een overzicht proberen te krijgen van alle relevante patiëntinformatie, die meestal verspreid is over verschillende systemen.
Mijn collega-radiologen en ik zeiden altijd dat we moesten "jagen en porren" om informatie te vinden, of dat nu was door een andere applicatie te openen of door de receptioniste aan de balie te bellen voor meer voorgeschiedenis of externe gevallen. We waren opgeleid om onderzoeken te interpreteren, maar toch besteedden we veel van onze tijd aan klikken, scrollen en bellen alleen maar om de gegevens te verzamelen die we nodig hadden. Erger nog: dit geldt vaak ook voor andere artsen die betrokken zijn bij het diagnosticeren van patiënten, zoals pathologen, cardiologen en oncologen.
Geïntegreerde diagnostiek kan helpen om de cockpit te creëren die radiologen en andere artsen vandaag de dag vaak ontberen, door ongelijksoortige gegevens uit verschillende domeinen samen te brengen om een uitgebreid beeld te geven van de ziekte van de patiënt.
Om bij het voorbeeld van kankerzorg te blijven: door radiologie, pathologie en laboratoriumgegevens in één overzicht te integreren, kunnen we alle leden van een zorgteam in staat stellen efficiënter en effectiever samen te werken. Dit geeft verschillende specialisten ook meer inzicht in hoe consistent hun bevindingen met elkaar zijn, waardoor een continue feedbackloop ontstaat en in sommige gevallen een behoefte aan aanvullende diagnostiek aan het licht kan komen.
Voor kankerpatiënten kan dat het verschil betekenen tussen een ideale of slechte uitkomst vanwege een vroegere detectie en diagnose, en een preciezere en gepersonaliseerde behandeling.
De afgelopen decennia is er veel vooruitgang geboekt op het gebied van hardware voor het verkrijgen van medische beelden. Nu is het moment aangebroken voor innovaties in de informatica om de achterstand in te halen en de algehele klinische werkervaring te verbeteren van de mensen die deze beelden interpreteren. Want als er iets is waar artsen en personeel nooit genoeg van hebben, dan is het tijd. En als we ze wat van die tijd kunnen teruggeven, zijn het uiteindelijk de patiënten die profiteren van een snellere en nauwkeurigere diagnose en behandeling.
Chief Innovation & Strategy Officer and Business Leader of Enterprise Informatics, Royal Philips Shez Partovi obtained his medical degree from the McGill University, in Montreal, Canada and completed his neuroradiology subspecialty at Barrow Neurological Institute in Phoenix, AZ. He is a serial entrepreneur and has launched several health IT companies, including two on telehealth.
Click here to read more on Shez Partovi
Follow me on