Publicatiedatum: 12 januari 2026
Tijdens huisartsconsulten wordt een heleboel data verzameld. Deze kunnen we met de inzet van AI vertalen naar vroegtijdige signalering van ziektebeelden. Maar hoe gaat dat in zijn werk? En hoe doe je dat verantwoord? Dat legt Maarten Homburg, huisarts in Groningen en promovendus op de afdeling Eerstelijnsgeneeskunde en Langdurige Zorg van het UMCG, uit aan de hand van het ZonMw-project GRIP3 en het daaruit volgende BERT en ERNIE.
Om volledig te begrijpen wat BERT en ERNIE inhoudt, gaan we terug naar de COVID-19 pandemie. Begin 2020 werden taalmodellen en machine learning verder ontwikkeld en ingezet. Zo ontstond bij Maarten en zijn team de vraag of deze taalmodellen ook konden worden ingezet om COVID-19 consulten te herkennen uit huisartsendata. Hiervoor werd het bestaande open source taalmodel BERT (Bidirectional encoder representations from transformers) getraind om COVID-19 consulten te herkennen en te onderscheiden van andere ziektebeelden, puur op basis van teksten geschreven na een huisartsconsult.
Het gebruik van BERT voor COVID-19 herkenning was onderdeel van het GRIP3-project. In dat project bundelden de 7 Nederlandse vakgroepen huisartsgeneeskunde en het NIVEL hun krachten vanuit het Consortium Onderzoek Huisartsgeneeskunde. In nauw overleg met patiëntvertegenwoordigers en andere stakeholders werkten zij 3 onderzoeken (werkpakketten) uit naar verschillende aspecten van COVID-19-zorg in de huisartspraktijk, namelijk betere herkenning en behandeling van COVID-19 patiënten én een sterkere onderzoeksinfrastructuur. GRIP3 ontving hiervoor een ZonMw Parel.
Bron: ZonMw
