Een dataset om tegemoet te komen aan de informatiebehoeften van patiënten met betrekking tot het klinische verloop van ziekenhuisopname

Waarom dit belangrijk is voor patiënten en families

Wanneer iemand het ziekenhuis verlaat, wenden families zich vaak bezorgd tot internet met vragen: Waarom is deze test gedaan? Waren die medicijnen echt nodig? De huidige ziekenhuisdossiers bevatten veel van de antwoorden, maar ze zijn geschreven voor artsen, niet voor patiënten. Dit artikel introduceert ArchEHR-QA, een nieuwe dataset die onderzoekers helpt bij het bouwen en testen van kunstmatige intelligentie (AI)-hulpmiddelen die uitgebreide ziekenhuisnotities kunnen omzetten in heldere, accurate antwoorden op echte vragen van patiënten.

Van online zorgen naar ziekenhuisdossiers

De onderzoekers begonnen met een eenvoudig idee: gebruik echte vragen die mensen op openbare gezondheidsforums plaatsen en koppel die aan echte ziekenhuisdossiers die die vragen zouden kunnen beantwoorden. Ze verzamelden berichten van patiënten en mantelzorgers van een populair medisch discussieplatform, met de focus op situaties waarin iemand recent op de intensivecare (IC) of de spoedeisende hulp was geweest. Dit zijn momenten waarop mensen vaak bang en verward zijn, en wanneer ontslaginstructies en online zoekopdrachten soms belangrijke zorgen onopgelost laten.

Het opbouwen van realistische vraag–antwoordparen

Aangezien de mensen in de forums en de patiënten in de ziekenhuisdatabase verschillende individuen zijn, koppelde het team zorgvuldig elke online vraag aan een gedeïdentificeerd ontslagverslag dat een zeer vergelijkbare medische situatie beschreef. Vervolgens herschreven clinici elke vraag van een leek naar een korte, precieze versie die een arts zou kunnen gebruiken, zonder de eigenlijke intentie van de patiënt te veranderen. Daarna doorzochten ze elke klinische aantekening zin voor zin en markeerden ze welke regels essentieel waren, welke nuttige aanvullingen waren en welke niet nodig waren om de vraag te beantwoorden. Ten slotte schreven bevoegde clinici korte, eenvoudig geformuleerde antwoorden die alleen waren gebaseerd op de gemarkeerde delen van het ziekenhuisverslag.

Wat de nieuwe dataset bevat

De voltooide ArchEHR-QA-collectie omvat 134 patiëntgevallen: 104 met IC-opnames en 30 uit spoedbezoeken. Voor elk geval is er de oorspronkelijke vraag van de patiënt, de door de clinicus geherformuleerde versie, een zorgvuldig ingekort fragment van de ziekenhuisnota, zinsniveau-importance labels en een door een clinicus geschreven antwoord van circa vijf zinnen. De gevallen bestrijken vele specialismen — zoals hartziekten, longaandoeningen, infecties en hersenaandoeningen — en omvatten een brede leeftijds- en achtergrondspectrum. Alle materialen worden gedeeld in gangbare digitale formaten zodat andere onderzoekers ze gemakkelijk kunnen gebruiken.

Het toetsen van hedendaagse AI-modellen

Om te laten zien hoe ArchEHR-QA kan worden gebruikt, evalueerden de auteurs meerdere moderne large language models die lokaal kunnen draaien. Ze vroegen elk model om de vragen te beantwoorden met behulp van de fragmenten uit de ziekenhuisnota en om precies de zinnen aan te wijzen die de antwoorden ondersteunden. Het team mat vervolgens twee dingen: hoe goed de modellen het juiste bewijs in de nota kozen (factualiteit) en hoe dicht hun antwoorden bij de door clinici geschreven responsen lagen (relevantie). Er werden verschillende prompting-strategieën geprobeerd, waaronder het model in één stap zowel het antwoord laten schrijven als het bewijs laten kiezen, of eerst laten antwoorden en daarna bewijs toevoegen. Over het algemeen wisten de beste configuraties ongeveer de helft van de belangrijkste zinnen correct vast te leggen en produceerden ze antwoorden die redelijk, maar verre van perfect, in lijn waren met de deskundige uitleggen.

Hoe dit werk de last voor clinici kan verlichten

De studie onderzocht ook waar de modellen fouten maakten. Soms citeerden ze de juiste ziekenhuiszinnen, maar interpreteerden die verkeerd, of ze vertrouwden te veel op de formulering van de vraag van de patiënt in plaats van op het dossier zelf. Deze tekortkomingen benadrukken waarom sterke beoordelingsstandaarden nodig zijn voordat AI veilig berichten voor clinici kan opstellen ter beoordeling. ArchEHR-QA is al gebruikt in een internationale onderzoeksuitdaging, waarin tientallen teams experimenteerden met meerstapsystemen die eerst relevante zinnen vinden en daarna antwoorden genereren. De dataset kan ook gerelateerde taken ondersteunen, zoals het vinden van kerninformatie in lange notities of het samenvatten van patiëntvragen.

Wat dit betekent voor toekomstige zorg

In heldere bewoordingen biedt dit artikel een basis voor het bouwen van betrouwbare digitale helpers die ziekenhuiszorg in taal uitleggen die patiënten begrijpen, en die worden onderbouwd door wat daadwerkelijk in hun dossiers staat. Door echte vragen te koppelen aan echte klinische bewijzen en deskundige antwoorden maakt ArchEHR-QA het mogelijk om te meten of AI-systemen zowel nauwkeurig als behulpzaam zijn. Als zulke systemen blijven verbeteren, zouden ze op termijn heldere, geïndividualiseerde uitleg kunnen opstellen voor clinici om te beoordelen, waardoor de inboxdruk vermindert en patiënten en families sneller en betrouwbaarder antwoord krijgen op wat er in het ziekenhuis is gebeurd en wat er hierna komt.

Bronvermelding: Soni, S., Demner-Fushman, D. A Dataset for Addressing Patient’s Information Needs related to Clinical Course of Hospitalization. Sci Data 13, 523 (2026). https://doi.org/10.1038/s41597-026-06639-z

Trefwoorden: elektronische gezondheidsdossiers, patiëntvragen, medische AI, klinische aantekeningen, vraagbeantwoording