Patient-centric radiology: Utilising large language models (LLMs) to improve patient communication and education

Deze gerandomiseerde gecontroleerde studie toont aan dat het gebruik van grote taalmodellen (LLMs) radiologieverslagen effectief kan vereenvoudigen tot een begrijpelijk leesniveau voor patiënten, waardoor het begrip aanzienlijk verbetert met een minimaal risico op hallucinaties.

De kern

De Vertaler van je Medische Rapport: Hoe AI de "Moeilijke Woorden" Wegwerkt

Stel je voor dat je net een medische scan (zoals een röntgenfoto of CT-scan) hebt gehad. Je krijgt een briefje van de radioloog. Maar in plaats van een duidelijke uitleg, krijg je een tekst vol met vreemde, Latijnse termen en ingewikkelde zinnen. Het is alsof je een brief in een vreemde taal krijgt, terwijl je gewoon wilt weten: "Is er iets mis? Moet ik me zorgen maken?"

Dit is precies het probleem dat deze nieuwe studie onderzoekt. Radiologen schrijven rapporten voor artsen, niet voor patiënten. Maar door nieuwe wetten in Australië krijgen patiënten deze rapporten nu direct te zien. Het probleem? De meeste mensen begrijpen die "medische taal" niet, wat zorgt voor onnodige stress en verwarring.

De Oplossing: Een Slimme AI-Vertaler

De onderzoekers hebben gekeken of een kunstmatige intelligentie (een zogenaamd "Groot Taalmodel" of LLM, vergelijkbaar met de slimme chatbots die je misschien kent) dit kan oplossen.

Stel je voor dat de radioloog een brief schrijft in "Doctor-ese" (een taal die alleen artsen spreken). De AI fungeert dan als een slimme tolk. Deze tolk neemt die moeilijke brief, leest hem, en schrijft hem direct om in een versie die een 12-jarige makkelijk kan begrijpen. Geen moeilijke woorden, maar gewoon heldere zinnen.

Wat hebben ze gedaan?
Ze deden een proef met 120 mensen.

• Groep A kreeg alleen de moeilijke, officiële medische brief.
• Groep B kreeg de officiële brief én de "vertaalde" versie van de AI.

Wat bleek eruit?

1. Van "Universitair" naar "Basischool":
   De officiële rapporten waren geschreven op het niveau van een universitair student (11e tot 13e klas). De AI-versies waren geschreven op het niveau van een kind in de basisschool (5e tot 9e klas).

   • De analogie: Het is alsof je een ingewikkeld technisch handleiding voor een vliegtuig krijgt, en de AI schrijft er een simpele instructie bij: "Zorg dat de vleugels niet beschadigd zijn."

2. Mensen snappen het nu!
   Bij de mensen die alleen de moeilijke brief kregen, begreep minder dan de helft wat er stond. Bij de mensen met de AI-versie begreep 95% minstens de helft van de boodschap.

   • De metafoor: Het verschil is als kijken naar een wazige foto versus een scherpe, heldere foto. De AI maakt de foto scherp.

3. Is de AI wel betrouwbaar?
   Je zou denken: "Maar maakt de AI niet soms dingen op?" (Dit noemen experts 'hallucinaties').
   De onderzoekers lieten twee ervaren radiologen de AI-versies controleren. Het resultaat? De AI was bijna perfect. Slechts in 1,7% van de gevallen maakte de AI een klein foutje, en geen enkele fout leidde tot gevaar of onnodige paniek bij de patiënt.

   • De vergelijking: Het is alsof je een vertaler hebt die 98 keer op de 100 keer perfect vertaalt. Als er een klein foutje in staat, is het nooit iets dat je leven in gevaar brengt.

4. Mensen willen dit!
   Bijna iedereen (98%) zei: "Ja, graag! Ik wil in de toekomst altijd zo'n simpele versie naast de officiële brief."

Waarom is dit belangrijk?

Vroeger moesten patiënten vaak wachten tot ze hun huisarts zagen om hun scanresultaten te horen. Nu krijgen ze het direct. Zonder een simpele uitleg kunnen mensen in paniek raken omdat ze woorden als "tumor" of "abnormaal" zien zonder de context.

Deze studie toont aan dat AI een brug kan bouwen tussen de complexe wereld van de radioloog en de begrijpelijke wereld van de patiënt. Het is geen vervanging voor de arts, maar wel een geweldige hulpmiddel om de boodschap helder en geruststellend over te brengen.

Kortom:
Deze technologie kan de "medische taal" omzetten in "mensentaal". Het maakt de rapporten leesbaar, vermindert de angst en zorgt ervoor dat patiënten beter begrijpen wat er met hun lichaam gebeurt. En het beste van alles? Het gebeurt snel, veilig en met bijna geen fouten.

Technische samenvatting

Probleemstelling

De toegang van patiënten tot elektronische gezondheidsrecords (zoals My Health Record in Australië) neemt toe, mede door recente wetgeving die de standaarddeling van radiologierapporten verplicht stelt. Echter, er bestaat een significante discrepantie tussen de leesbaarheid van deze rapporten en de gezondheidsgeletterdheid van de gemiddelde patiënt.

• Complexiteit: Radiologierapporten zijn geschreven voor verwijzende artsen en bevatten complexe medische jargon. De leesbaarheid ligt gemiddeld op het niveau van 11e-13e klas (universitair niveau), terwijl de aanbevolen leesbaarheid voor patiënten 6e-7e klas is.
• Gevolgen: Dit leidt tot verwarring, angst, misinterpretatie van bevindingen en een verhoogde last voor klinici door patiëntvragen.
• Beperkingen van huidige oplossingen: Bestaande strategieën (zoals gestructureerde rapportage of samenvattingen door radiologen) zijn vaak onpraktisch in drukke klinische omgevingen vanwege tijdsgebrek en het risico op burn-out bij radiologen.

Methodologie

Het onderzoek was een single-center gerandomiseerde gecontroleerde studie (RCT) uitgevoerd bij Barwon Health (Victoria, Australië) tussen mei en juni 2025.

• Populatie: 120 patiënten (18+) die een X-ray, echografie of CT-scan ondergingen als poliklinisch patiënt.
  • Uitsluitingscriteria: Patiënten met dringende opnames, eerdere medische training, niet-Engelstaligen, nieuwe diagnoses van ernstige pathologieën (bijv. kanker) of zwangerschapsultraschall.
• Randomisatie: Patiënten werden 1:1 gerandomiseerd naar twee groepen:
  1. Controlegroep: Ontving alleen het formele radiologierapport.
  2. Interventiegroep: Ontving het formele rapport én een door een LLM vereenvoudigde versie.
• Technologie (LLM):
  • Model: Microsoft 365 CoPilot, gebaseerd op GPT-4o.
  • Prompting: Gebruik van een zero-shot prompt (geen voorbeelden gegeven) om het rapport te vereenvoudigen tot een leesbaarheidsniveau van ongeveer 6e klas.
  • Veiligheid: De LLM werd lokaal gehost binnen de IT-infrastructuur van het ziekenhuis om de privacy van de data te waarborgen (geen data-exit naar externe servers).
• Data-analyse:
  • Objectieve metrieken: Leesbaarheidsscores berekend met SMOG-index, Automated Readability Index (ARI), Flesch Reading Ease en Flesch-Kincaid grade level.
  • Subjectieve evaluatie: Patiënten vulden een vragenlijst in (5-punts Likert-schaal) over leesbaarheid en begrip.
  • Validatie: Twee consultant-radiologen beoordeelden onafhankelijk de feitelijke nauwkeurigheid en hallucinaties (factuele fouten) van de LLM-versies.

Belangrijkste Resultaten

De studie omvatte 120 patiënten, waarvan 59 in de interventiegroep (ontvingen beide rapporten).

1. Leesbaarheid (Readability):

   • De LLM-versies werden aanzienlijk makkelijker gevonden. Het leesniveau daalde van universitair niveau (11e-13e klas) naar middelbareschoolniveau (5e-9e klas).
   • Statistiek: Sterke positieve rang-bisecorrelatie (0,83, p<0,001).
   • 97% van de patiënten vond de LLM-versie "gemakkelijk" of "zeer gemakkelijk" te lezen, tegenover slechts 28% voor het formele rapport.

2. Begrip (Comprehension):

   • Patiënten met de LLM-versie hadden een significant beter begrip.
   • 95% van de patiënten in de interventiegroep gaf aan meer dan 50% van het rapport te begrijpen, vergeleken met slechts 46% in de controlegroep (p<0,001).

3. Nauwkeurigheid en Hallucinatie:

   • Nauwkeurigheid: 97-100% van de rapporten werd door de radiologen beoordeeld als "accuraat" of "zeer accuraat".
   • Hallucinatie: De hallucinatiegraad was minimaal (1,7%). Er werden slechts twee hallucinaties gevonden (één per radioloog), en geen enkele werd geacht potentieel schadelijk voor de patiënt te zijn (geen valse geruststelling of onterechte angst).

4. Patiëntvoorkeur:

   • 98,3% van de deelnemers gaf aan interesse te hebben in het ontvangen van een vereenvoudigd rapport naast het formele rapport in de toekomst.

Kernbijdragen

• Validatie van LLM's in de praktijk: Dit is een van de eerste studies die prospectief de effectiviteit van LLM's (GPT-4o) testte op echte, gepersonaliseerde patiëntendata in plaats van fictieve voorbeelden.
• Balans tussen toegankelijkheid en nauwkeurigheid: Het bewijst dat complexe medische rapporten kunnen worden vertaald naar begrijpelijk taalgebruik zonder de klinische nuance te verliezen of de diagnostische nauwkeurigheid te compromitteren.
• Veiligheidsprofiel: De studie toont aan dat hallucinaties, hoewel aanwezig, zeer zeldzaam zijn en in deze context geen direct patiëntenschade veroorzaakten, mits er menselijk toezicht blijft bestaan.
• Implementatiekader: Het demonstreert een haalbare workflow waarbij data lokaal wordt verwerkt om privacywetgeving (zoals in Australië) te respecteren.

Significantie en Toekomstperspectief

De studie biedt sterke bewijzen voor de integratie van AI-gedreven tools in de radiologische workflow om de "patient-centric" zorg te verbeteren.

• Wetgeving en Transparantie: Gezien de nieuwe wetgeving die patiënten directe toegang geeft tot hun rapporten, zijn vereenvoudigde versies cruciaal om verwarring en onnodige angst te voorkomen.
• Workflow-efficiëntie: LLM's kunnen de last op radiologen verminderen door automatisch samenvattingen te genereren, wat de kans op burn-out verkleint en de communicatie met patiënten verbetert.
• Aanbeveling: Hoewel LLM's veelbelovend zijn, benadrukt de studie dat menselijk toezicht essentieel blijft om hallucinaties te detecteren en de klinische integriteit te waarborgen. Toekomstig onderzoek moet zich richten op schaalbaarheid, integratie in landelijke portals (zoals My Health Record) en verdere validatie van hallucinatie-drempels.