Betere triage bij spier- en gewrichts­klachten via verwijsbrief huisarts

Ongeveer een op de tien mensen die vanwege spier- en gewrichtsklachten naar de huisarts gaat, wordt doorverwezen naar een reumatoloog. Maar een groot deel van deze mensen heeft geen inflammatoire aandoening en wordt weer teruggestuurd. Dit zette PhD-student Tjardo Maarseveen en reumatoloog Rachel Knevel (beiden werkzaam in het LUMC) aan het denken: kan het triageproces niet beter? Door machinelearning los te laten op de verwijsbrieven van huisartsen is dit mogelijk.

Aan spier- en gewrichtsklachten kunnen verschillende aandoeningen ten grondslag liggen, met ieder weer andere onderliggende oorzaken, legt Tjardo Maarseveen uit. “Denk aan osteoartritis, fibromyalgie of inflammatoire aandoeningen als reumatoïde artritis (RA).” Vooral voor deze laatste aandoening is een snelle diagnose en behandeling (het liefst binnen zes weken) essentieel voor het verbeteren van de uitkomsten voor patiënten. Maarseveen: “Maar we zien dat ons huidige verwijssysteem niet optimaal is: traag en niet altijd even accuraat.” Rachel Knevel vult aan: “En een groot deel van de patiënten die we als reumatoloog zien, verwijzen we na een paar polibezoeken weer terug naar de huisarts, omdat er geen sprake is van een inflammatoire aandoening.”

8.000 verwijsbrieven

Maarseveen vroeg zich af of dat niet anders kon. De verwijsbrieven van huisartsen bieden een unieke kans om vroeg in het zorgtraject in te grijpen, bedacht hij. En met machinelearning is het mogelijk vrije (ongestructureerde) tekst automatisch te analyseren. Hij heeft deze techniek dan ook toegepast om, op basis van de vrije tekst in verwijsbrieven van huisartsen, patiënten te identificeren die waarschijnlijk een diagnose RA, osteoartritis of fibromyalgie zouden krijgen. Het idee hierachter was urgente gevallen prioriteit te geven en mensen met niet-inflammatoire aandoeningen naar het juiste zorgpad te dirigeren.

Hiervoor zijn meer dan 8.000 verwijsbrieven geanalyseerd van patiënten die poliklinieken van Reumazorg Zuid-West Nederland (een collectief van perifere ziekenhuizen) bezochten. “We zagen dat de machinelearning-techniek die wij gebruikten effectief was in het identificeren van RA, osteoartritis en fibromyalgie”, vertelt Maarseveen. “Het systeem kon deze aandoeningen ook identificeren als de huisarts dit niet expliciet in de brief noemde als reden voor verwijzing.” Daarnaast was het systeem in staat om te prioriteren. In de huidige situatie is er geen verschil in wachttijd tussen mensen met en mensen zonder RA, aldus Maarseveen. “Ons machinelearning-systeem plaatste juist de meeste gevallen van RA vooraan in de rij. En dit kon het systeem niet alleen voor RA, maar ook voor osteoartritis en fibromyalgie.”

Context beter begrijpen

Het belangrijkste doel voor het verbeteren van het triageproces is zorgverleners te ontlasten en de triage van patiënten met spier- en gewrichtsklachten efficiënter te maken. Knevel: “Uiteindelijk willen we hiermee de hele groep patiënten met spier- en gewrichtsklachten betere zorg kunnen bieden. Ook de mensen die uiteindelijk geen RA blijken te hebben. We hopen hiermee sneller een antwoord te hebben op de vraag: waar en met welke hulp zijn deze mensen het beste af?” Het ontwikkelde triagesysteem kan in principe al geïmplementeerd worden, laat Knevel verder weten. “Zeker bij een groep als Reumazorg Zuid-West Nederland die hun elektronische patiëntendossiers in eigen beheer hebben.” De techniek staat echter niet stil. Maarseveen: “We hebben nu een veelgebruikte, conventionele machinelearning-techniek gebruikt. Maar nieuwere modellen zijn nog beter in staat de context van vrije tekst te begrijpen.” Hij kan dan ook niet wachten om de nieuwste machinelearning-modellen toe te passen om na te gaan of de triage van mensen met spier- en gewrichtsklachten niet nog beter kan.

Referentie: Maarseveen TD, Glas HK, Veris-van Dieren J, et al. Improving musculoskeletal care with AI enhanced triage through data driven screening of referral letters. NPJ Digit Med. 2025;8:98.

Lees meer over: