Projecten
Binnen de Data & AI community werken collega's aan innovatieve projecten. Ben je benieuwd naar een project of heb je zelf een idee? Neem gerust contact op!
Implementatie van LLM's in workflows (radiologie)
Radiologische verslagen worden doorgaans geschreven voor verwijzers en bevatten daardoor veel medisch jargon. Patiënten die deze verslagen via het patiëntenportaal inzien, kunnen daardoor moeite hebben met het begrijpen van de inhoud. In dit project onderzoeken we hoe Large Language Models (LLM’s) kunnen worden ingezet om medische terminologie automatisch te vertalen naar begrijpelijke patiëntinformatie.
We ontwikkelen en testen een LLM-pipeline die radiologische verslagen omzet naar heldere taal, eventueel aangevuld met hyperlinks, afbeeldingen of andere ondersteunende elementen. Hierbij experimenteren we met beschikbare en goedgekeurde LLM’s om de best presterende aanpak te vinden. Het doel is een proof-of-concept dat communicatieproblemen tussen zorgverlener en patiënt helpt te verkleinen.
Interesse? Neem contact op met Martijn Nobel, radioloog, via martijn.nobel@mumc.nl
Risicostratificatie en LLM's voor medische consulten (klinische chemie)
In de MARS-ED-studie onderzoeken we hoe zorgverleners op de Spoedeisende Hulp het risico op korte-termijnuitkomsten inschatten bij acuut zieke patiënten. Hierbij worden risicoschattingen van onder andere artsen uit de acute interne geneeskunde en laboratoriumspecialisten uit de klinische chemie vergeleken met objectieve klinische gegevens. We analyseren hoe goed deze intuïtieve beoordelingen overeenkomen met data-gedreven modellen, waaronder statistische methoden en machine-learning benaderingen.
Het project richt zich daarnaast op factoren die de betrouwbaarheid en variatie van risicoschattingen kunnen beïnvloeden. Het doel is om beter te begrijpen hoe menselijke expertise en data-analyse elkaar kunnen versterken in de acute zorg. Daarmee levert de studie inzichten op voor toekomstig beslisondersteuning en optimalisatie van patiëntstromen op de SEH. Onze resultaten zijn inmiddels gepubliceerd in verschillende tijdschriften zoals Journal of Applied Laboratory Medicine (2024) en Nature Communications (2025).
Daarnaast onderzoeken we hoe kunstmatige intelligentie (AI) ons kan helpen om een goed onderbouwde en begrijpelijk consult te schrijven voor artsen en patiënten.
Interesse? Neem contact op met William van Doorn, klinisch chemicus, via william.van.doorn@mumc.nl
Slimmere infectiepreventie: agent-based modelling voor VRE (microbiologie)
VRE-uitbraken (vancomycine-resistente enterokokken) zijn lastig te beheersen: infectiepercentages zijn vaak laag, er zijn geen eenduidige nationale richtlijnen en het is moeilijk om de afzonderlijke impact van infectiepreventie- en controlemaatregelen (IPC) goed te kwantificeren. In dit project onderzoeken we hoe AI—en specifiek agent-based modelling—kan helpen om VRE-surveillance en -bestrijding slimmer en effectiever te maken. We bouwen voort op een proof-of-principle waarin twee eerdere VRE-uitbraken retrospectief zijn geanalyseerd met een agent-based model (2023–2025), in samenwerking tussen MMI-Infectiepreventie en de Faculty of Advanced Computing Sciences (Universiteit Maastricht).
De volgende stap is toewerken naar een “digitale tweeling” van de ziekenhuisomgeving van MUMC+, waarin fysieke en digitale data samenkomen. Daarmee kunnen we realistischer simuleren hoe BRMO’s zich verspreiden en welke combinaties van maatregelen het meeste effect hebben. Met als einddoel: meer patiëntveiligheid en minder transmissie van resistente bacteriën.
Interesse? Neem contact op met dr. Wil van der Zwet, arts-microbioloog, via wil.vander.zwet@mumc.nl
