💻 computer science

Implicit Framing in Obstetric Counseling Notes: A Grounded LLM Pipeline on a VBAC-Eligible Cohort

Deze studie gebruikt een LLM-gebaseerde methode om aan te tonen dat artsen bij de keuze tussen een vaginale bevalling na een eerdere keizersnede (VBAC) en een herhaalde keizersnede (RCS) verschillende taalpatronen gebruiken, waarbij risico-georiënteerde taal aanzienlijk vaker voorkomt in de verslaglegging van keizersneden.

Oorspronkelijke auteurs: Baris Karacan, Barbara Di Eugenio, Patrick Thornton, Joanna Tess, Subhash Kumar Kolar

Gepubliceerd 2026-04-28

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Baris Karacan, Barbara Di Eugenio, Patrick Thornton, Joanna Tess, Subhash Kumar Kolar

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je in een restaurant zit en je vraagt de ober: "Wat raadt u aan?" De ober zegt: "Je kunt de vis nemen, maar die is soms een beetje droog," óf hij zegt: "Je kunt de vis nemen, die is heerlijk vers en licht verteerbaar."

De informatie is precies hetzelfde (de vis is een optie), maar de manier waarop het wordt verteld (de 'framing') bepaalt volledig wat jij bestelt.

Dit wetenschappelijke onderzoek doet precies dit, maar dan in het ziekenhuis. Hier is de uitleg in begrijpelijke taal:

Waar gaat het onderzoek over?

Als een vrouw eerder een keizersnede heeft gehad, moet ze een belangrijke keuze maken voor haar volgende bevalling: probeert ze het toch natuurlijk (een VBAC) of krijgt ze weer een keizersnede (RCS)?

De onderzoekers wilden weten: Beïnvloeden artsen de keuze van de moeder onbewust door de manier waarop ze de opties beschrijven in hun medische aantekeningen?

De "Detective-methode" (Hoe deden ze het?)

Het probleem is dat medische dossiers een enorme brij aan tekst zijn. Het is alsof je een bibliotheek vol boeken moet doorzoeken om te vinden waar een ober een klant heeft geadviseerd.

De AI-detective: De onderzoekers gebruikten een slimme computer (een Large Language Model, zoals ChatGPT) om de dossiers te scannen. De AI moest eerst uitzoeken welke vrouwen echt een keuze hadden. Sommige vrouwen mochten namelijk geen natuurlijke bevalling proberen vanwege medische redenen. De AI moest dus de "vrije tekst" lezen om te zien of de weg vrij was voor een natuurlijke bevalling.
De "Bril" van de AI: Daarna zetten ze een speciale "framing-bril" op. De AI las de gesprekken en labelde ze: Is dit een "Angst-bril" (focus op risico's en gevaren)? Is dit een "Kansen-bril" (focus op voordelen)? Of is dit een "Samenwerkings-bril" (de arts vraagt wat de moeder wil)?

Wat kwamen ze erachter? (De conclusie)

De resultaten waren opvallend. In beide groepen was de "Angst-bril" de grootste factor, maar er was een groot verschil:

Bij de keizersnedes: Hier was de taal extreem gericht op risico's. Het was alsof de arts een waarschuwingsbord vol met "PAS OP!" en "GEVAAR!" plaatste. De taal was heel erg gericht op wat er mis zou kunnen gaan.
Bij de natuurlijke bevallingen: Hoewel ook hier risico's werden genoemd, was de taal veel gevarieerder. Er werd vaker gesproken over de voordelen, er werden cijfers gedeeld en er werd meer gevraagd naar de wensen van de moeder (samen beslissen).

Waarom is dit belangrijk?

Het onderzoek laat zien dat artsen (vaak onbewust) een soort "taal-valstrik" kunnen creëren. Als je alleen maar vertelt hoe gevaarlijk een natuurlijke bevalling is, is de kans groot dat een moeder uit angst voor de keizersnede kiest, zelfs als een natuurlijke bevalling medisch gezien een heel goed idee was.

De moraal van het verhaal: Het gaat er niet alleen om wat een dokter zegt, maar vooral om hoe hij het zegt. De manier waarop we informatie verpakken, bepaalt de keuzes die mensen maken in hun belangrijkste levensmomenten.

Technische Samenvatting: Impliciete Framing in Obstetrische Counseling-notities

Probleemstelling

In de verloskunde is de keuze tussen een vaginale bevalling na een eerdere keizersnede (VBAC: Vaginal Birth After Cesarean) en een herhaalde keizersnede (RCS: Repeat Cesarean Section) een cruciaal, voorkeurgevoelig besluitvormingsproces. De manier waarop artsen informatie presenteren (klinische framing) — bijvoorbeeld door de nadruk te leggen op risico's versus voordelen — kan de perceptie en de uiteindelijke beslissing van de patiënt sterk beïnvloeden.

Het probleem is dat bestaande analyses van elektronische patiëntendossiers (EHR) vaak vertekend zijn: patiënten die een RCS ondergingen, waren niet altijd medisch in aanmerking voor een VBAC. Het direct vergelijken van de taal in hun dossiers zou leiden tot een vertekend beeld, omdat de afwezigheid van VBAC-discussies in die gevallen vaak te wijten is aan medische contra-indicaties in plaats van aan de manier van communiceren. Er is dus behoefte aan een methode om een "cohort-gecontroleerde" analyse uit te voeren op ongestructureerde vrije tekst.

Methodologie

De onderzoekers ontwikkelden een geavanceerde pipeline gebaseerd op Large Language Models (LLM's) om twee hoofdtaken uit te voeren:

Cohort-constructie (Eligibility Extraction):
- Om een zuivere vergelijking te maken, moesten ze een cohort identificeren van patiënten voor wie beide opties (VBAC en RCS) medisch levensvatbaar waren.
- Omdat cruciale informatie (zoals het type litteken op de baarmoeder) vaak ontbreekt in gestructureerde data maar wel in vrije tekst staat, gebruikten ze LLM's (Llama 3.1 8B en Llama 3.3 70B) om deze informatie te extraheren.
- Ze implementeerden een strikt "verbatim-only" protocol om hallucinaties te minimaliseren, waarbij de extracties werden getoetst aan de brontekst via een geautomatiseerde procedure en handmatige verificatie.
Framing-analyse (Framing Quantification):
- Ze pasten een zero-shot LLM-framework toe om fragmenten uit de "Plan"-secties van de medische verslagen te categoriseren in zeven vooraf gedefinieerde framing-categorieën: Risk-Focused, Benefit-Focused, Directive, Shared Decision-Making, Balanced Information, Statistical Evidence, en Reassuring.
- De analyse werd gevalideerd door een medisch expert, waarbij een matige tot goede overeenkomst (Cohen’s $\kappa = 0,56$ ) werd vastgesteld tussen de LLM en de expert.

Belangrijkste Bijdragen

Grounded LLM Pipeline: Een methode om medische geschiedenis te reconstrueren uit ongestructureerde tekst met een focus op het voorkomen van hallucinaties.
Cohort-gecontroleerd Ontwerp: Het vermogen om een vergelijking te maken tussen VBAC- en RCS-groepen waarbij medische contra-indicaties als verstorende factor (confounder) zijn geëlimineerd.
Schaalbare Framing-meting: Een framework om subtiele linguïstische nuances in klinische documentatie kwantitatief te analyseren op grote schaal.

Resultaten

Betrouwbaarheid van extractie: De grotere Llama 3.3 70B bleek superieur en produceerde nagenoeg geen hallucinaties bij gebruik van een beknopte prompt, terwijl kleinere modellen bij complexe prompts juist meer fouten maakten (instruction-overload).
Verschillen in framing: Er werd een statistisch significant verschil gevonden ( $\chi^2 = 62,38, p \approx 1,48 \times 10^{-11}$ $χ^{2} = 62, 38, p \approx 1, 48 \times 1 0^{- 11}$ ) tussen de twee groepen:
- RCS-notities: Vertoonden een extreme concentratie op Risk-Focused taal (86,4%). De nadruk lag hier zeer sterk op de mogelijke complicaties.
- VBAC-notities: Hoewel ook hier risico's dominant waren (75,1%), vertoonden deze notities significant meer gebruik van Shared Decision-Making, Benefit-Focused taal, Balanced Information en Statistical Evidence.

Significantie

Het onderzoek toont aan dat de klinische documentatie in de verloskunde grotendeels wordt gedomineerd door een "verlies-georiënteerde" (loss-framed) benadering, waarbij de nadruk ligt op risico's. Dit is met name het geval bij patiënten die uiteindelijk voor een keizersnede kiezen. De bevindingen suggereren dat de manier waarop artsen risico's documenteren, onbedoeld kan bijdragen aan een besluitvormingsproces dat minder gebaseerd is op een evenwichtige afweging van voor- en nadelen. Dit werk legt de basis voor toekomstig onderzoek naar hoe verbeterde communicatie en documentatie de patiëntautonomie en gedeelde besluitvorming kunnen versterken.