Een gestructureerde probleemlijst in het EPD met SNOMED CT: wat, hoe en waarom (in België)
1) Wat betekent “gestructureerde probleemlijst” op basis van SNOMED CT?
Voor rapportering (MZG) en financiering (BFM) blijft de ICD-10-BE classificatie cruciaal: in de Minimale Ziekenhuis Gegevens (MZG) worden diagnoses en procedures sinds 2015 in ICD-10-CM en ICD-10-PCS gerapporteerd. De probleemlijst is dus het klinisch startpunt (rijk, fijnmazig, SNOMED CT) dat vervolgens (semi-)automatisch naar de ICD-10-CM-code(s) kan worden gemapt voor medische codering (MG-MZG) en APR-DRG groepering.
2) Waar let je inhoudelijk op bij het opstellen van de elementen?
a) Klinische scope en granulariteit
Gebruik termen (concepten) uit de Clinical findings hiërarchie van SNOMED CT (diagnoses, aandoeningen, symptomen) en, wanneer nodig, situations with explicit context (bv. “geschiedenis van …”).
Kies een bruikbaar detailniveau (per specialisme): voldoende specifiek voor zorgproces en beslissingsondersteuning, maar niet zo fijnmazig dat het onderhoud onwerkbaar wordt.
Beperk post-coördinatie (combinatie van attributen zoals lateralisatie, ernst) tot duidelijk toegevoegde waarde; voorkom zeldzame combinaties die moeilijk te hergebruiken zijn (onderhoudskost bij SNOMED CT updates).
b) Context & status
Registreer status (actief, vervolledigd/opgelost, verdacht, uitgesloten), onset/updatedatum, bron (wie voegde het toe) en verantwoordelijke discipline.
Voor verpleegkundige problemen (bv. pijn, risico op vallen, zelfzorgtekort, VG-MZG items) gebruik je SNOMED CT-concepten voor problemen, en koppel je waar mogelijk doelen en interventies (ordersets, zorgplannen).
c) Taal & gebruikservaring
Toon de Nederlandse en/of de Franse weergave uit de gevalideerde Belgische language refsets; voorkom dubbele of zeer gelijkende synoniemen. Geen eigen jargon toevoegen, met risico op misinterpretatie van concepten en medische/medicolegale gevolgen.
Lever klinisch relevante en gevalideerde favorieten/shortlists (refsets) per specialisme en per verpleegkundige setting (spoed, heelkunde, materniteit, ...):
- Intentionele refsets (intentionally defined reference sets, refset gedefinieerd door ECL-logica) in SNOMED CT zijn (dynamische) verzamelingen van concepten die niet handmatig als lijst worden beheerd, maar automatisch worden afgeleid uit een regel/definitie. Die regel schrijf je in ECL (Expression Constraint Language). Het resultaat is dus “alle concepten die aan deze voorwaarden voldoen”.
- Dat verschilt van een extensionele refset (vaste ledenlijst), waar je de leden van de refset één voor één opsomt en zelf manueel moet bijhouden.
Voorzie validerende pickers (lateralisatie, ernstgraad) en “reason for change” bij wijzigingen:
- “Validerende pickers” zijn (intelligente) gebruikerselementen (dropdowns, radio-knoppen, toggles, datumvelden,) die artsen/verpleegkundigen helpen snel de juiste waarden te kiezen én die onmiddellijk controleren of de combinatie semantisch correct is volgens SNOMED CT en evt. bijkomende regels. Ze voeren dus niet zomaar tekst in, maar geldige, gestandaardiseerde attributen. Ze beperken keuzes tot geldige opties voor het gekozen probleem (conform het SNOMED CT-conceptmodel). Ze valideren combinaties: blokkeren of waarschuwen bij onmogelijke/onzinnige combinaties. Zo nodig/mogelijk post-coördineren ze netjes want de gekozen waarden worden als attributen (bv. lateralisatie, ernst) aan het SNOMED CT-concept gehangen (bvb. lateraliteit, voorgeschiedenis-concept, ...).
- Met “reason for change” wordt een korte, verplichte motivatie bedoeld die je invult wanneer je een item op de probleemlijst wijzigt. Zo leg je vast waaróm er iets veranderde, op basis waarvan, en door wie/wanneer - voor klinische duidelijkheid, medicolegaal, audittrail en (indien relevant) impact op de medische codering (MZG).
d) Governance & kwaliteit
Stel een competente terminologieraad samen met degelijke kennis van SNOMED CT (arts, verpleegkunde, medisch codeur, MZG/BFM-vertegenwoordiger, IT/terminoloog) aan die nieuwkomers opleidt, synoniemen en mappings beheert (vereiste certificering en kennis voor leden van de terminologieraad SNOMED CT Foundation Course, SNOMED CT for Clinicians, SNOMED CT Implementation Course, SNOMED CT for Data Analysts, Minimale Ziekenhuis Gegevens, Budget Financiële Middelen).
Bewaak datakwaliteit: duidelijk eigenaarschap, reviewmomenten, alert op verouderde of te vage SNOMED CT problemen/concepten (let op: GIGO).
Praktijkvoorbeelden in België:
- CHU Saint-Pierre beschrijft gebruik van SNOMED CT voor probleemlijst en ontslagbrief, inclusief parsing van vrije tekst en gebruik van language refsets (CHU St Pierre).
- Hôpital Erasme: SNOMED CT : Publicaties : Hôpital Erasme parmi les lauréats e-Health 2016
- Cliniques universitaires Saint-Luc: gebruik van SNOMED CT voor probleemlijst (terminologieteam/MZG)
3) Voordelen voor de dagelijkse medische en verpleegkundige werking
Betere communicatie: iedereen ziet hetzelfde (evt. tweetalig), zonder ambiguïteit → minder misverstanden in overdrachten en Multidisciplinair Oncologisch Consulten (MOC), Multidisciplinair x Consult (MxG), ... .
Beslissingsondersteuning: een éénduidig probleem triggert waarschuwingen (contra-indicaties, allergieën), order sets en richtlijnen.
Zoekbaarheid & continuïteit: snel filteren (actief/chronisch/oncologisch), opvolgen over diensten en campussen heen.
Herbruikbaarheid van data: de probleemlijst voedt registraties, kwaliteitsindicatoren en populatiemanagement zonder dubbele registratie (code once, use many). Primair en secundair hergebruik van data. Secundair hergebruik van data voor Real-World Evidence (RWE) en klinisch onderzoek (RCT's).
Tweetalige (meertalige praktijk: NL en/of FR-labels met één betekenislaag verbeteren samenwerking over taalgrenzen heen.
4) Voordelen voor MZG en voor BFM (financiering/BFM)
Minimale Ziekenhuis Gegevens (MZG): sinds 2008 is MZG de geïntegreerde registratie die MKG en MVG vervangt (MKG werd MG-MZG en MVG werd VG-MZG als onderdeel van MZG). Diagnoses/procedures worden in België sinds 2015 in ICD-10-CM/PCS aangeleverd aan de FOD VVVL. Een kwalitatieve SNOMED CT-gecodeerde probleemlijst laat kwaliteitsvolle, consistente mapping naar ICD-10-CM toe, waardoor het medisch coderen efficiënter en vollediger wordt .
APR-DRG-groepering: de MZG-diagnoses/procedures gaan door de APR-DRG-groepering (met SOI/ROM), die in België beleidsmatig gebruikt wordt (o.a. ook voor laagvariable zorg). Een betere mapping vanuit de probleemlijst vermindert “onvoldoende gespecificeerde” codes en verbetert de APR-DRG groepering.
BFM-impact: MZG-gegevens (MG-MZG, VG-MZG) voeden in belangrijke mate onderdelen van het Budget van Financiële Middelen (BFM) (gesloten nationaal budget), zodat complete en correcte codering financieel relevant is. In 2025 bedraagt het globale BFM-budget voor algemene ziekenhuizen 9,62 mld €. De winst voor het ene ziekenhuis is het verlies voor het andere ziekenhuis in een gesloten nationaal budget (BFM). Volledige en kwaliteitsvolle medische dossiers en bijgevolg MZG-data spelen mee in de verdeling van het nationale BFM en hebben dan ook een gunstige impact op de Minimale Ziekenhuis Gegevens (MZG) en het Budget Financiële Middelen (BFM) van een ziekenhuis.
5) Hoe vrije tekst aanvullen met NLP naar SNOMED CT (en vandaar naar ICD-10-BE)?
a) Architectuur in het EPD
- Terminologieserver met de gevalideerde en up-to-date Belgische SNOMED-release + NL/FR-language refsets waar nodig.
- Natural Language Processing (NLP)-pijplijn voor conceptherkenning (tokenisatie, lemmatisering, ontologie-matching) in NL en/of FR.
- Contextdetectie (negatie, temporalisering, experiencer): bv. “geen longembool”, “familiale voorgeschiedenis”, “verdacht op …”.
- Mappinglaag die herkenbare SNOMED CT-concepten (bewoordingen in het medisch dossier) naar SNOMED CT en/of ICD-10-CM/PCS projecteert (met regels voor context en keuze tussen kandidaten). Officiële SNOMED→ICD-10-CM/PCS mappen en rule-based tools (zoals I-MAGIC en MAGPIE) zijn hiervoor de standaard vertrekbasis.
b) Werkingsprincipe
- Bij schrijven/valideren van (operatie-)verslag of (voorlopige/definitieve) ontslagbrief markeert NLP (relevante) kandidaat-concepten voor de arts uit het medisch en verpleegkundig dossier (highlight).
- De gebruiker bevestigt of wijzigt (human-in-the-loop), en kan met één klik het probleem toevoegen en optioneel zelfs de ICD-10-CM/PCS suggestie voor MZG valideren en voorinvullen (dit laatste vereist wel voldoende kennis van codeerregels en -richtlijnen).
- Human-in-the-loop (HITL) is een benadering waarbij menselijke input en expertise worden geïntegreerd in een automatiseringsproces of een AI-systeem, vaak door een mens die de resultaten controleert, corrigeert, of goedkeurt om de nauwkeurigheid en betrouwbaarheid van het systeem te verbeteren. Deze menselijke supervisie fungeert als een feedbacklus die de prestaties van het algoritme in de loop van de tijd verbetert, vooral bij lastige gevallen die het AI-systeem nog niet zelf kan oplossen.
- Alle acties worden gelogd voor traceerbaarheid en interne en externe codeeraudit (audit-trail).
c) Kwaliteit en veiligheid
- Meet precisie/recall op lokale corpora van het eigen ziekenhuis (NL en/of FR), met stratificatie per discipline. Dit doe je om te evidence-based aan te tonen hoe goed de NLP-suggesties zijn, afgestemd op het taalgebruik van het eigen ziekenhuis en workflows, om nadien veilig op te schalen. Precisie en recall zijn metingen om de prestaties van een classificatiemodel in machinaal leren te evalueren.
- Precision (precisie) geeft aan hoe nauwkeurig een model is in het voorspellen van positieve gevallen, dus hoeveel van de als positief voorspelde items daadwerkelijk positief waren (aandeel van de voorgestelde problemen dat echt correct is). Hoge precisie betekent dat het model accuraat zowel terecht-positieve als terecht-negatieve resultaten identificeert met minimale fout-positieve resultaten.
- Recall (terugroepactie) meet het vermogen van het model om alle werkelijke positieve gevallen in een dataset te vinden en te identificeren (aandeel van de werkelijk aanwezige problemen dat gevonden werd). Hoge recall betekent dat het model de meeste terecht-positieve en terecht-negatieve resultaten in de dataset identificeert. Als de kosten van een fout-negatieve voorspelling substantieel zijn. Bijvoorbeeld, in de gezondheidszorg is een hoge recall cruciaal om alle patiënten met een ziekte te identificeren, zelfs als dit leidt tot een paar fout-positieve resultaten (opvangen met human-in-the-loop).
- Vaak zijn er afwegingen; het verhogen van de ene meting kan de andere verlagen. De F1-score is een gecombineerde meting (een harmonisch gemiddelde) die precisie en recall in één score samenbrengt om een gebalanceerde beoordeling van het model te geven.
- Feedback-lus: goedgekeurde/afgewezen suggesties versterken de terminologieserver (preferred terms, synoniemen) en de NLP-modellen.
- Privacy/GDPR: train bij voorkeur on-premise of op geanonimiseerde data; beperk de export van data.
- Beleidskader: sluit aan bij de Belgische standaardisatie-ambities richting 2027 (SNOMED-brede semantische interoperabiliteit).
Tip uit Belgische praktijk en internationale community: parsing van vrije tekst om probleemlijsten te vullen is haalbaar en wordt al ingezet (problem list suggestion of computer assisted coding (CAC)). In veel EPD’s en coderingsoplossingen lopen assisted-workflows, waarbij NLP voorbereidt, de zorgverlener of de medisch codeur bevestigt (human-in-the-loop). Dat bespaart tijd, verhoogt datakwaliteit en verbetert de volledigheid/specificiteit van de SNOMED CT probleemlijst en de ICD-10-BE-codering. België droeg zelfs experts bij aan internationale mapping-projecten (SNOMED→ICD-10-CM/PCS), wat de bruikbaarheid van “code once, reuse many” vergroot (Community Support for Clinical Terminologies, CSCT).
Praktijkcases (ziekenhuizen):
- Hospital Clínic de Barcelona (ES) – Integreerde een SNOMED CT-gecodeerde Health Problem List met een NLP-tool die tijdens de opname on-line matches voor natuurlijke-taal-invoer voorstelt; in hun evaluatie werd een groot deel van de HP’s realtime gecodeerd.
- CHU Saint-Pierre, Brussel (BE) – gebruikt SNOMED CT zowel in gestructureerde velden als via een parsingsapplicatie voor vrije tekst (probleemlijst en ontslagbrief).
- Epic NoteReader CDI (met Nuance CAPD) – analyseert notities met NLP en suggereert diagnoses/specifiteit; integratie is bedoeld om de probleemlijst en CDI te versterken.
- Oracle Cerner – documenteert toepassingen waarbij SNOMED CT-gecodeerde findings worden geïndexeerd en met NLP worden ontsloten voor zoeken en workflows; deze indexing voedt o.a. probleemlijsten.
- IMO (Intelligent Medical Objects) – commerciële terminologie-/workflowlaag bovenop EPD’s: IMO Core en IMO Discovery for Problems helpen problemen te vinden/aan te vullen en de lijst te ontdubbelen (SNOMED CT-gebaseerd, met mappings).
- Cogstack NLP (MedCAT) – open-source concept-extractie en linking rechtstreeks naar SNOMED CT (en andere ontologieën); vaak gebruikt om voorstellen te tonen die de gebruiker kan bevestigen.
- Apache cTAKES (+ DIRECT-aanpak) – klinische NLP-pipeline; is gebruikt om SNOMED CT-concepten en attributen/relaties uit notities te detecteren die je vervolgens als kandidaten voor de probleemlijst kunt aanbieden.
- medspaCy – Python-bibliotheek voor klinische Named Entity Recognition (NER) + context/negatie; gecombineerd met UMLS/SNOMED CT-linking levert dit probleem-suggesties met context (bv. verdacht, uitgesloten).
- CORE Problem List Subset (NLM) – veelgebruikte subset van SNOMED CT-concepten voor probleemlijsten; ideaal als bronlijst voor suggereren/zoeken.
- Nursing Problem List Subset (NPLS) – subset gericht op verpleegkundige problemen; nuttig om verpleegkundige suggesties te beperken tot relevante SNOMED CT-concepten.
6) Samengevat – ontwerpprincipes die werken
- Eén patiënt - één betekenislaag: SNOMED CT als klinische waarheid, NL en/of FR-weergave voor de gebruiker.
- Strikte context & status bij elk probleem; korte, onderhoudbare en klinisch relevante lijsten.
- Governance met arts-, verpleeg- en coderingsperspectief die een degelijke kennis hebben van SNOMED CT, ICD-10-CM/PCS, APR-DRG, MZG en het BFM.
- NLP als versneller, nooit als black box: mens bevestigt (human-in-the-loop, HITL), systeem leert. Evenwichtige combinatie van gestructureerde registratie m.b.v. een probleemlijst en vrije tekst die aanvullend wordt omgezet naar SNOMED CT (het beste van twee werelden).
- Naadloze mapping naar ICD-10-CM/PCS voor MZG/APR-DRG → kwaliteitswinst tijdens het zorgproces én financiële voorspelbaarheid via de Minimale Ziekenhuis Gegevens (MZG) en het Budget Financiële Middelen (BFM).
Met deze aanpak wordt de probleemlijst niet alleen een beter klinisch kompas aan het bed, maar ook de motor achter betrouwbare registratie en een robuuste, toekomstbestendige ziekenhuisfinanciering.
De schaal van de Belgische gezondheidszorg maak het (nog) mogelijk om op grote schaal een dynamisch levend laboratorium op te zetten waarmee we door samen te werken, in Europa de weg kunnen wijzen naar de zorg van morgen.
N.B.: ICD-10-CM is niet hetzelfde als WHO ICD-10, maar is ervan afgeleid.
Bronnen:
Actieplan eGezondheid 2025-2027
Terminologiecentrum (FOD VVVL)
Belgisch lidmaatschap van SNOMED International
SNOMED CT (FOD VVVL)
Belgian Integrated Health Record (BIHR)
Interactive Map-Assisted Generation of ICD-10-CM Codes (I-MAGIC)
NLM Launches MAGPIE Web Tool (SNOMED CT naar ICD-10-PCS)
Map Assisted Generation of Procedure and Intervention Encoding (MAGPIE)
Unified Medical Language System (UMLS)
WHO Family of International Classifications (FIC)
Implementatie van SNOMED CT in het EPD: secundair gebruik van data voor ICD-10-BE (2015)
Implementatie van SNOMED CT in ZNA EPD: 1 jaar later (2016)
Fung, K. W., Xu, J., Ameye, F., Gutiérrez, A. R., & D'Havé, A. (2017, February). Leveraging lexical matching and ontological alignment to map SNOMED CT surgical procedures to ICD-10-PCS. In AMIA Annual Symposium proceedings (Vol. 2016, p. 570).
Fung, K. W., Xu, J., Ameye, F., Gutierrez, A. R., & D’Have, A. (2018, April). Achieving logical equivalence between SNOMED CT and ICD-10-PCS surgical procedures. In AMIA Annual Symposium Proceedings (Vol. 2017, p. 724).
Fung, K. W., Xu, J., Ameye, F., Gutiérrez, A. R., & Busquets, A. (2019). Map-Assisted Generation of Procedure and Intervention Encoding (Magpie): an innovative approach for ICD-10-PCS coding. Studies in health technology and informatics, 264, 428.
Fung, K. W., Xu, J., & Ameye, F. (2020). Comparison of Three International Terminologies for Medical Interventions and Procedures. In AMIA.
Fung, K. W., Xu, J., Ameye, F., Burelle, L., & MacNeil, J. (2023). Mapping 3 procedure coding systems to the International Classification of Health Interventions (ICHI): coverage and challenges. Journal of the American Medical Informatics Association, 30(6), 1190-1198.
