Front-end first AI voor zorgplanning
Gepubliceerd op 09-09-2025
AI-tools kunnen helpen om zorgplanning efficiënter te maken. Maar kunnen we die AI-tools ook efficiënt ontwikkelen, zodat we ze kunnen betalen?
In een project dat een brug slaat tussen industrieel onderzoek en ontwikkeling, onderwijs en interne kwaliteitsverbetering, hebben David Neal en masterstudent medische informatica Ellen Minkin aangetoond hoe ‘front-end-first’ AI-ontwikkeling het antwoord zou kunnen zijn.
Prof. Folkert Asselbergs en zijn team van cardiologiespecialisten van het Hartcentrum van Amsterdam UMC willen de wachttijden voor hun patiënten verkorten. Efficiëntere zorgplanningsprocessen kunnen ervoor zorgen dat patiënten sneller bij hun arts terecht kunnen. AI-toepassingen kunnen planners daarbij helpen.
Het in Amsterdam gevestigde bedrijf PersonalAIze heeft vaardigheden en ervaring in het ontwikkelen van AI-modellen. Zij zouden daarom een waardevolle ontwikkelingspartner kunnen zijn voor Amsterdam UMC. De door AI aangestuurde planningstool die Amsterdam UMC en PersonalAIze voor ogen hadden, heet PoliPlanner.
Maar wat moet de AI in PoliPlanner precies kunnen doen?
Herontwerp van de workflow
Ellen Minkin, masterstudent Medische Informatica in haar laatste jaar, kreeg de opdracht om samen met clinici, planners en de modelontwikkelaars onderzoek te doen. Haar stage werd begeleid door David Neal van ELLLA en Mark Hoogendoorn van PersonalAIze, met nauwe ondersteuning van het team van het Hartcentrum.
” Ellen heeft ons geholpen te bepalen wat PoliPlanner nodig heeft om waardevol te zijn voor ziekenhuispersoneel. Door middel van snelle front-end prototypeontwikkeling gaf ze toekomstige gebruikers praktische ervaring, waardoor nauwkeurige feedback mogelijk werd en pijnpunten aan het licht kwamen, waarvan er vele konden worden opgelost met een gebruiksvriendelijkere gebruikersinterface en workflow. Voor de ontwikkeling van het AI-model beschreef ze duidelijk wat het moest optimaliseren en welke functies het belangrijkst zouden zijn, waardoor ze een waardevolle brug sloeg tussen de behoeften van de gebruiker en de specificaties van het AI-model.”
Thomas Wierda, PersonalAIze
Op basis van interviews, observaties en het bestuderen van wetenschappelijke literatuur en interne documentatie kon Ellen een gedetailleerd beeld opbouwen van de huidige planningsworkflows – specifieke taken en processen zoals het boeken van nieuwe patiënten, het registreren van annuleringen, etc. – en de mogelijke functies van een AI-tool.
Hierdoor kon Ellen een concrete en gedetailleerde lijst opstellen van wat toekomstige gebruikers van PoliPlanner wilden en nodig hadden. Op basis van deze duidelijke specificatie voor de tool kon ze een interactief prototype bouwen van hoe de gebruikersinterface van de applicatie eruit zou kunnen zien en werken. Uit tests met planners en clinici bleek dat dit prototype zeer gebruiksvriendelijk was en al heel dicht in de buurt kwam van wat gebruikers wilden.
Efficiëntere model ontwikkeling
De echte waarde van dit project was dat door vanaf het begin eindgebruikers van het product te betrekken, de ontwikkeling gedurende het hele ontwikkelingsproces beter kon worden afgestemd op hun behoeften. Door precies in kaart te brengen wat gebruikers nodig hebben en wat AI-modellen moeten doen, werd het ontwikkelingsproces versneld en werd tijd en geld bespaard op de ontwikkeling van AI-modellen.
Zo bleek uit het front-end-first onderzoek en ontwerp van Ellen dat in plaats van het volledig automatiseren van planningsprocessen – een enorme computationele uitdaging – de meeste waarde van PoliPlanner kon worden gerealiseerd met een efficiëntere modelontwikkeling. Dit kwam omdat de taken die het moeilijkst te automatiseren waren, op dit moment niet veel frustratie of vertraging veroorzaakten bij planners.
Volgende stappen
PoliPlanner wordt verder ontwikkeld, in overeenstemming met de specificaties van Ellen. David onderzoekt meer mogelijkheden om front-end-first AI-ontwikkeling te ondersteunen in Amsterdam UMC en andere zorginstellingen.