Van kopzorgen naar ontzorgen: hoe AI ons KIK-V datastation scherp houdt

Zorgorganisaties krijgen doorlopend informatie-uitvragen. Van zorgkantoren, van de IGJ, van andere uitvragende partijen die willen weten hoe het ervoor staat. Ons KIK-V datastation zorgt dat die vragen beantwoord worden zonder dat de zorgaanbieder er telkens handmatig induikt, én met volledige controle over welke data er de deur uitgaat. In dit blog laten we zien hoe we AI inzetten om die belofte waar te maken. Zowel achter de schermen bij onszelf als in wat we bouwen voor klanten.

Standaardisatie: één taal voor verschillende bronsystemen

Uitvragende partijen willen antwoord op hun vragen zonder zelf te hoeven koppelen met tien verschillende bronsystemen, standaardisatie lost dat op. Bij KIK-V gebeurt dat via een gedeelde datadefinitie waar alle bronformaten naartoe worden vertaald. Deze KIK-V datadefinitie gebruikt datatechnologie op basis van RDF.

Deze RDF datatechnologie wordt zelden gebruikt in bronsystemen. Bronsystemen werken met relationele datamodellen: met tabellen en relaties tussen die modellen. Wij hebben ervoor gekozen om een model te maken tussen de bron en het RDF-model binnen KIK-V. In dit tussenmodel staat dezelfde data als in het RDF-model, maar dan in de vorm van een relationeel database model. Het tussenmodel gebruiken we voor elke klant, zodat we één eenduidige werkwijze hebben voor alle klanten. We gebruiken de KIK-V definities als startpunt en laten AI daar een relationeel datamodel voor genereren. Zodra dit tussenmodel staat, is de code voor het transformeren van relationele data naar RDF relatief eenvoudig af te leiden. Elk onderdeel van dit proces loopt via het vier-ogen-principe, dus geen enkele AI-suggestie wordt lukraak overgenomen.

De volgende stap is het vullen van het tussenmodel vanuit de bronsystemen van elke klant.

Testdata: realistisch én bruikbaar

Een datamodel bouwen is één, bewijzen dat het werkt is twee. Daar heb je testdata voor nodig die lijkt uit data uit de praktijk én die daadwerkelijk antwoorden oplevert op de vragen die uitvragende partijen stellen. Die combinatie is de crux: testdata kan realistisch zijn maar niks opleveren, of alles beantwoorden maar totaal onrealistisch zijn.

Ons uitgangspunt: voor elke KIK-V vraag moet een antwoord te geven zijn op basis van de testset. Door vanuit de vragen terug te redeneren naar de data ontstaan relevante tests. AI genereert testdata die alle mogelijke gevallen binnen de KIK-V definities bevat. In plaats van handmatig data bedenken, laat je dit over aan AI. De AI volgt daarbij strikt de afspraken die in het datamodel zijn vastgelegd. Zo krijgen we een testset die de werking van het datastation echt afdekt.

Change management: verschillen zichtbaar maken

Informatie-uitvragen zijn een bron van kopzorgen: elke uitvrager wil iets anders, elke deadline valt op een ander moment. KIK-V staat niet stil. Vragensets evolueren, de datadefinitie verandert. Vroeger betekende dat urenlang Excel-sheets vergelijken en hopen dat je niets over het hoofd zag. Bij een nieuwe versie van de datadefinitie moest bovendien de datatransformatie herzien worden. Precies het soort werk waar fouten in sluipen en kopzorgen kunnen ontstaan.

AI vergelijkt nu de versies van de vragenlijsten en datadefinitie voor ons: welke vragen zijn gewijzigd, welke definities veranderen, wat is de impact op onze datatransformatie? De rol van de dataexpert is het beoordelen en al dan niet accorderen van AI-suggesties. Dat scheelt saai uitzoekwerk en, belangrijker, het maakt de impact van een wijziging inzichtelijk voordat die live gaat.

Meten is weten: elke wijziging bewijst zichzelf

Elke wijziging gaat door onze teststraat die gebruikt de testdata om te controleren of de antwoorden nog kloppen. Faalt er iets, dan weet het team dat direct en kan het worden opgelost voordat een klant er iets van merkt.

Standaardisatie, AI-gestuurde model- en testdatageneratie, impactanalyse en een teststraat: samen zorgen ze dat de kwaliteit van het datastation dag in dag uit geborgd is. De repetitieve taken doet AI, de beoordeling doet de mens. Als KIK-V verandert of wij iets aanpassen, kunnen we met zekerheid zeggen dat het datastation nog steeds de juiste antwoorden geeft. Zo houden we ook tijd over voor waar we écht toegevoegde waarde leveren: nieuwe functionaliteit voor onze klanten.

Van intern gereedschap naar klantproduct: de chatbot op zorgdata

AI zetten we niet alleen intern in. We verwerken het ook in producten voor onze klanten. Een voorbeeld is de chatbot die we bouwen op data uit de zorg. En juist bij zorgdata is extra voorzichtigheid geboden.

Een taalmodel is ontworpen om altijd een antwoord te geven. Dat maakt het prettig in gebruik en tegelijkertijd risicovol zodra het over zorg gaat. Als het exacte antwoord ontbreekt, geeft een taalmodel meestal toch iets terug wat plausibel oogt. Zo'n hallucinatie is vloeiend, zelfverzekerd en overtuigend, maar klopt niet. In de meeste toepassingen is dat vervelend. Op zorgdata is het onacceptabel.

Waarom KIK-V de chatbot betrouwbaarder maakt

Het datamodel achter KIK-V legt niet alleen de gegevens vast, maar ook het soort gegeven en de relaties ertussen. Een arbeidscontract heeft een afgedwongen relatie met een medewerker en kan nooit gekoppeld zijn aan een cliënt. Die strenge structuur is precies wat een chatbot nodig heeft om betrouwbaar te antwoorden.

In de praktijk vertaalt zich dat naar vier ontwerpprincipes:

1. Herleidbaarheid afdwingen. Elk antwoord is terug te voeren op een concrete onderbouwing in de onderliggende data. Geen antwoord zonder bron.
2. Weigeren mag. Een systeem dat "dit weet ik niet" mag zeggen is veiliger dan een systeem dat altijd iets moet zeggen. In productontwikkeling zijn we gewend onzekerheid weg te ontwerpen. Hier is onzekerheid tonen juist de functie die veiligheid biedt.
3. Aggregatieniveau bewaken. Een vraag over een populatie en een vraag over één cliënt volgen aantoonbaar verschillende paden. Onze chatbot geeft alleen geaggregeerde antwoorden op basis van minimaal tien datapunten. Wordt er een gemiddelde gevraagd over minder dan tien cliënten, dan geeft de chatbot aan dat het aantal te klein is.
4. Continu meten in plaats van eenmalig testen. Hallucinatiegedrag verandert met modelupdates, met nieuwe databronnen en met het type vraag dat gebruikers gaandeweg gaan stellen. Structurele monitoring van antwoordkwaliteit is net zo belangrijk als de techniek eronder.

Tot slot

Of we AI nu inzetten om onze eigen pipeline scherp te houden of om klanten via een chatbot toegang te geven tot hun zorgdata: het principe is hetzelfde. AI doet het werk waar het goed in is, mensen bewaken de kwaliteit, en de structuur van KIK-V zorgt dat elk antwoord ergens op gebaseerd is. Van kopzorgen naar ontzorgen, ook als er AI onder de motorkap zit.