Medvice MIA
De MIA, (Medisch Interactief Anamnese- applicatie), is een unieke toepassing, speciaal ontworpen om een snelle en effectieve anamnese af te nemen in de spoed-eisende hulp of op de huisartsenpost, ondersteund door machinaal leren.
Noord-Brabant
- Concept
- Ontwikkeling
- Testen
- Pilot
- Implementatie
- Opschaling
Over de innovatie
Concept
Beeldmateriaal
Korte omschrijving
Het project MIA (kort voor Medische Interactieve Anamnese) pakt de overconsumptie van de gezondheidszorg aan door een nieuw en gedigitaliseerd triage en anamnese-systeem in spoedeisende hulpafdelingen (ER) en ziekenhuizen buiten kantooruren (HAP) in te voeren. Dit zou moeten leiden tot een aanzienlijke verkorting van de spreektijd en bijgevolg tot een kortere wachttijd voor de patiënt. Parallel worden medische gegevensverzamelingen anoniem gegenereerd uit de MIA-database na geïnformeerde toestemming. Deze datasets worden achtereenvolgens gereinigd, gestandaardiseerd, geanalyseerd en geëtiketteerd voor het modelleren en trainen van op machine learning gebaseerde, medische beslissingsalgoritmen. De algoritmen worden gebruikt voor de ontwikkeling van de MLADS (zie onderstaand), welke zal screenen op medische rode vlaggen en uiteindelijk artsen zal begeleiden en ondersteunen bij hun diagnostische besluitvorming. Met MIA willen we medische anamnese deels automatiseren, digitaliseren en verbeteren in spoed-eisende hulp centra en HAP-klinieken, waardoor wachttijden van patiënten worden verkort, een snelle diagnose mogelijk wordt en anonieme en geoptimaliseerde medische gegevens kunnen worden vergaard ten behoeve van innovatieve doorontwikkeling.
Probleemstelling
Steeds meer uitgaven voor gezondheidszorg zijn een wereldwijd probleem vanwege de onstuitbare vergrijzing van de bevolking en het toenemende gebruik van primaire, gespecialiseerde en spoedeisende zorgdiensten. De kosten voor gezondheidszorg blijven stijgen vanwege vele redenen. Een van de belangrijkste redenen naast de vergrijzing (Zilveren Kruis, 2015) is de toename van het gebruik van primaire, secundaire en spoedeisende zorg (Global Health Expenditure Database, 2017). Het is van algemene zorg dat de huidige capaciteiten van SEH's en HAP's worstelen om tegemoet te komen aan de toestroom van mensen die onmiddellijke gezondheidszorg zoeken (Kiers, 2017). Enquêtes tonen aan dat de reden waarom patiënten de SEH (zonder verwijzing) en lokale HAP's bezoeken, voornamelijk te maken heeft met hun gezondheidsproblemen (van der Linden, 2014). De meerderheid van de patiënten die op eigen initiatief de HAP en de SEH bezoeken, hebben geen klachten van urgente medische aard (Giesen, 2009). Op nationaal niveau is er een gebrek aan service voor het analyseren van symptomen en het verstrekken van professioneel medisch advies voordat u naar primaire of secundaire gezondheidszorg gaat.
Om in deze trend in te grijpen en deze overconsumptie te verminderen, is het noodzakelijk om ons te concentreren op het bieden van adequate e-health-oplossingen voor de verbetering van eerstelijns zorg en spoedeisende zorg. Bovendien kan het implementeren van machine learning-algoritmen in dergelijke systemen de efficiëntie van elke ondersteunde gezondheidszorg enorm verhogen, vooral met betrekking tot het triage-proces, medische besluitvormingsprocessen en reductie van consultatietijd (Zhaohui Liang, 2014).
Ondanks de opkomst van technologie voor het leren van machines die wordt gebruikt op het gebied van diagnostische beeldvorming en oncologie (DeepMind Health, IBM Watson), bestaan er slechts zeer weinig commerciële computerondersteunde beslissingssystemen (CAD) in de eerste lijn met het doel een huisarts te ondersteunen bij differentiaal diagnostisch denken . De belangrijkste hindernissen bij het ontwikkelen van een medisch machine-leersysteem liggen in het goed verzamelen, opschonen, labelen en standaardiseren van medische datasets. Het vinden van een aanpak om de kosteneffectiviteit en efficiëntie van dit proces te verhogen, kan de integratie en implementatie van machine learning-technologie in toekomstige medische software drastisch versnellen.
Om in deze trend in te grijpen en deze overconsumptie te verminderen, is het noodzakelijk om ons te concentreren op het bieden van adequate e-health-oplossingen voor de verbetering van eerstelijns zorg en spoedeisende zorg. Bovendien kan het implementeren van machine learning-algoritmen in dergelijke systemen de efficiëntie van elke ondersteunde gezondheidszorg enorm verhogen, vooral met betrekking tot het triage-proces, medische besluitvormingsprocessen en reductie van consultatietijd (Zhaohui Liang, 2014).
Ondanks de opkomst van technologie voor het leren van machines die wordt gebruikt op het gebied van diagnostische beeldvorming en oncologie (DeepMind Health, IBM Watson), bestaan er slechts zeer weinig commerciële computerondersteunde beslissingssystemen (CAD) in de eerste lijn met het doel een huisarts te ondersteunen bij differentiaal diagnostisch denken . De belangrijkste hindernissen bij het ontwikkelen van een medisch machine-leersysteem liggen in het goed verzamelen, opschonen, labelen en standaardiseren van medische datasets. Het vinden van een aanpak om de kosteneffectiviteit en efficiëntie van dit proces te verhogen, kan de integratie en implementatie van machine learning-technologie in toekomstige medische software drastisch versnellen.
Oplossing
We stellen daarom een nieuwe oplossing voor met het doel gestandaardiseerde medische datasets anoniem op een continue manier te kunnen verzamelen via de Medical Interactive Anamnestics toepassing (MIA). We willen deze methode tevens gebruiken om de patiëntenzorg te verbeteren en de efficiëntie te verhogen in de primaire en spoedeisende zorgafdelingen in Nederland. Wij van mening dat we met de introductie van de MIA-toepassing het probleem van het verzamelen van gestandaardiseerde gegevensreeksen kunnen automatiseren en vergemakkelijken, en tegelijkertijd de efficiëntie van consultatie en triage in ziekenhuizen in eerstelijns- en spoedeisende hulp kunnen verbeteren. De datasets worden verzameld met het doel om een beslissingssysteem voor machinaal leren (MLADS) te ontwikkelen. Deze ontwikkelingen zal bijdragen in het verlagen van de ziektekosten en overconsumptie van eerstelijns- en acute gezondheidszorg, terwijl tegelijkertijd een gestage stroom van datasets voor MLADS trainingsdoeleinden wordt geboden.
Unieke kenmerken
- De MIA is een unieke mobiele toepassing, speciaal ontworpen om een snelle en effectieve anamnese af te nemen in een SEH of HAP setting, ondersteund door machinaal leren (MLADS).
- De MIA toepassing is makkelijk te gebruiken dankzij haar interactieve aard, zelfs voor ouderen. Het ondersteunt tekst, audio en foto invoer.
- De MIA toepassing zal op termijn de zorgverlener meer ondersteunen door het verder ontwikkelen en het implementeren van machinaal leren (MLADS). Deze ondersteuning is gericht op herkennen van alarmsymptomen en differentiaaldiagnostiek in de 1e lijn.
- De MIA zal deels geïmplementeerd worden in een groter project ( Medvice ). Het doel van Medvice is om een efficiënt e-consultatie systeem te ontwikkelen die verder bijdraagt aan 1e lijns preventie vanuit thuis.
Extra informatie:
Introductie van een nieuw digitaal gestandaardiseerd anamnestisch triage-systeem :
De huidige triage-systemen zijn beperkt tot alleen prioriteit geven aan medische urgenties en bieden geen uitgebreide medische inhoud. Bovendien bestaan er tot nu toe geen gestandaardiseerde indelingen of anamnestische vragenlijsten voor de meeste veelvoorkomende klachten waarvoor patiënten medische hulp inroepen. Dit project introduceert en implementeert een applicatie (MIA) in de wachtruimtes van de afdelingen spoedeisende hulp en poliklinische eerstelijnszorg, wat de kosteneffectiviteit van consulten zal verhogen, zowel ten gunste van de patiënt als van de behandelend arts.
Een nieuwe methode ontwikkelen voor het continu automatisch genereren van medische gegevenssets:
Momenteel bestaat er geen platform voor het real-time genereren van medische gegevens van de huidige individuele consulten van patiënten-artsen. Met dit voorstel willen we MIA implementeren in SEH en HAP-afdelingen en zo een digitaal platform creëren dat gespecialiseerd is in het nauwkeurig verkrijgen van medische gegevensgevallen voor het maken van datasets. Nadat de patiënt een informed consent heeft ondertekend, wordt de MIA-datacase-invoer aangepast om onderdeel te worden van een anonieme en gestandaardiseerde medische dataset. Deze dataset wordt vervolgens gebruikt voor de training van MLADS met betrekking tot diagnostische ondersteuning bij besluitvorming. De MIA integratie binnen de huidige klinieken zal resulteren in het verzamelen van honderden tot duizenden datasets op een dagelijkse basis. Verderop in de weg kunnen de verzamelde medische gegevens worden gebruikt voor educatieve en onderzoeksdoeleinden, mits er sprake is van informed consent.
- De MIA toepassing is makkelijk te gebruiken dankzij haar interactieve aard, zelfs voor ouderen. Het ondersteunt tekst, audio en foto invoer.
- De MIA toepassing zal op termijn de zorgverlener meer ondersteunen door het verder ontwikkelen en het implementeren van machinaal leren (MLADS). Deze ondersteuning is gericht op herkennen van alarmsymptomen en differentiaaldiagnostiek in de 1e lijn.
- De MIA zal deels geïmplementeerd worden in een groter project ( Medvice ). Het doel van Medvice is om een efficiënt e-consultatie systeem te ontwikkelen die verder bijdraagt aan 1e lijns preventie vanuit thuis.
Extra informatie:
Introductie van een nieuw digitaal gestandaardiseerd anamnestisch triage-systeem :
De huidige triage-systemen zijn beperkt tot alleen prioriteit geven aan medische urgenties en bieden geen uitgebreide medische inhoud. Bovendien bestaan er tot nu toe geen gestandaardiseerde indelingen of anamnestische vragenlijsten voor de meeste veelvoorkomende klachten waarvoor patiënten medische hulp inroepen. Dit project introduceert en implementeert een applicatie (MIA) in de wachtruimtes van de afdelingen spoedeisende hulp en poliklinische eerstelijnszorg, wat de kosteneffectiviteit van consulten zal verhogen, zowel ten gunste van de patiënt als van de behandelend arts.
Een nieuwe methode ontwikkelen voor het continu automatisch genereren van medische gegevenssets:
Momenteel bestaat er geen platform voor het real-time genereren van medische gegevens van de huidige individuele consulten van patiënten-artsen. Met dit voorstel willen we MIA implementeren in SEH en HAP-afdelingen en zo een digitaal platform creëren dat gespecialiseerd is in het nauwkeurig verkrijgen van medische gegevensgevallen voor het maken van datasets. Nadat de patiënt een informed consent heeft ondertekend, wordt de MIA-datacase-invoer aangepast om onderdeel te worden van een anonieme en gestandaardiseerde medische dataset. Deze dataset wordt vervolgens gebruikt voor de training van MLADS met betrekking tot diagnostische ondersteuning bij besluitvorming. De MIA integratie binnen de huidige klinieken zal resulteren in het verzamelen van honderden tot duizenden datasets op een dagelijkse basis. Verderop in de weg kunnen de verzamelde medische gegevens worden gebruikt voor educatieve en onderzoeksdoeleinden, mits er sprake is van informed consent.
Website
Ontwikkeling
Beschrijving technologie of dienst
De MIA applicatie
Met de Medical Interactive Anamnestics-module kan de cliënt zijn klachten indienen via een interactieve en intuïtieve gebruikersinterface, zorgvuldig ontworpen om een snelle en eenvoudige medische anamnese binnen enkele minuten te verzekeren. De MIA biedt vele toegankelijkheidsfuncties, zoals gesproken instructies, spraak dicteren, een volledig 3D-menselijk model voor het selecteren en markeren van klachten en eenvoudige interactieve interfaces.
MLADS
Nadat alle benodigde gegevens over de betreffende klacht zijn ontvangen, screent de MLADS de noodsymptomen en stuurt deze door naar de zorgverlener, afhankelijk van de ernst en aard van de klacht.De verzamelde informatie wordt vervolgens doorgestuurd naar het MLADS-systeem om te screenen op noodsignalen en symptomen die "rode vlaggen" worden genoemd en die kunnen wijzen op de aanwezigheid van ernstige medische aandoeningen die potentieel onomkeerbare handicaps of vroegtijdige sterfgevallen veroorzaken, tenzij ze worden behandeld. MLADS zal complexere machine learning technieken gebruiken om te screenen op rode vlaggen en een differentiaaldiagnose geven op basis van de ingevoerde klacht. Op zijn beurt zal de MLADS de consultatie versnellen en de arts ondersteunen in besluitvorming tijdens het consult.
De MIA en MLADS ( machine learning ) worden in academische samenwerking onderzocht en ontwikkeld.
Met de Medical Interactive Anamnestics-module kan de cliënt zijn klachten indienen via een interactieve en intuïtieve gebruikersinterface, zorgvuldig ontworpen om een snelle en eenvoudige medische anamnese binnen enkele minuten te verzekeren. De MIA biedt vele toegankelijkheidsfuncties, zoals gesproken instructies, spraak dicteren, een volledig 3D-menselijk model voor het selecteren en markeren van klachten en eenvoudige interactieve interfaces.
MLADS
Nadat alle benodigde gegevens over de betreffende klacht zijn ontvangen, screent de MLADS de noodsymptomen en stuurt deze door naar de zorgverlener, afhankelijk van de ernst en aard van de klacht.De verzamelde informatie wordt vervolgens doorgestuurd naar het MLADS-systeem om te screenen op noodsignalen en symptomen die "rode vlaggen" worden genoemd en die kunnen wijzen op de aanwezigheid van ernstige medische aandoeningen die potentieel onomkeerbare handicaps of vroegtijdige sterfgevallen veroorzaken, tenzij ze worden behandeld. MLADS zal complexere machine learning technieken gebruiken om te screenen op rode vlaggen en een differentiaaldiagnose geven op basis van de ingevoerde klacht. Op zijn beurt zal de MLADS de consultatie versnellen en de arts ondersteunen in besluitvorming tijdens het consult.
De MIA en MLADS ( machine learning ) worden in academische samenwerking onderzocht en ontwikkeld.
Concurrentie
In Nederland is er geen directe concurrentie met betrekking tot ons businessmodel. Wel zijn er reeds bestaande triage systemen. Echter, de verzamelde triage-data is, in tegenstelling tot de MIA, niet vergelijkbaar met informatie verzameld na een volledige medische anamnese. In dit opzicht geven de meeste triage-gegevens slechts een indicatie van de urgentie van de klacht, maar dragen ze niet bij aan een significante verkorting van de consult-tijd, noch bieden ze de arts alle relevante dimensies van de klacht als hulpmiddel bij de differentiële diagnostische decisionmaking.
De huidige triage-systemen zijn beperkt tot alleen prioriteit geven aan medische urgenties en bieden geen uitgebreide medische inhoud. Er zijn enkele opkomende, website-gebaseerde consultatieonderzoeken (bijv. Consultassistent.nl) om anamnestische gegevens te verkrijgen voor inname, maar deze worden gebruikt voor poliklinieken die gespecialiseerd zijn in specialismen en niet voor spoedeisende hulp afdelingen en eerstelijns klinieken. Bovendien bestaan er tot nu toe geen gestandaardiseerde indelingen of anamnestische vragenlijsten voor de meeste veelvoorkomende klachten waarvoor patiënten medische hulp inroepen. Dit project introduceert en implementeert een applicatie (MIA) in de wachtruimtes van de afdelingen spoedeisende hulp en poliklinische eerstelijnszorg, wat de kosteneffectiviteit van consulten zal verhogen, zowel ten gunste van de patiënt als van de behandelend arts.
De huidige triage-systemen zijn beperkt tot alleen prioriteit geven aan medische urgenties en bieden geen uitgebreide medische inhoud. Er zijn enkele opkomende, website-gebaseerde consultatieonderzoeken (bijv. Consultassistent.nl) om anamnestische gegevens te verkrijgen voor inname, maar deze worden gebruikt voor poliklinieken die gespecialiseerd zijn in specialismen en niet voor spoedeisende hulp afdelingen en eerstelijns klinieken. Bovendien bestaan er tot nu toe geen gestandaardiseerde indelingen of anamnestische vragenlijsten voor de meeste veelvoorkomende klachten waarvoor patiënten medische hulp inroepen. Dit project introduceert en implementeert een applicatie (MIA) in de wachtruimtes van de afdelingen spoedeisende hulp en poliklinische eerstelijnszorg, wat de kosteneffectiviteit van consulten zal verhogen, zowel ten gunste van de patiënt als van de behandelend arts.
Doelgroep
Wij richten ons op patiënten tussen de 18 en 75 jaar die de huisartsenposten of de eerste hulp bezoeken met een nieuwe klacht. Het MIA systeem zal worden aangeboden aan ziekenhuizen en huisartsenklinieken.
Verdienmodel
MIA zal door middel van licenties worden aangeboden aan ziekenhuizen en huisartsenposten.
Intellectueel eigendom
Wij beschikken nog niet over patentaanvragen.
Testen
Doelstelling testfase
Het terugdringen van overconsumptie in de eerstelijnsgezondheidszorg is een eenvoudige benadering om grip te houden op de alsmaar toenemende stijging van de wereldwijde gezondheidszorguitgaven. Onze doelstellingen zijn:
1) Het genereren van medische datasets en de bruikbaarheid te meten voor machine learning De gestandaardiseerde generatie van medische data wordt bewerkstelligd via de toepassing Medical Interactive Anamnestics ("MIA").
2) Het functioneel beoordelen van de applicatie met betrekking tot gebruiksgemak en efficiëntie, en analyse van het effect van het gebruik van MIA op de consultduur en wachttijd in de klinische setting.
1) Het genereren van medische datasets en de bruikbaarheid te meten voor machine learning De gestandaardiseerde generatie van medische data wordt bewerkstelligd via de toepassing Medical Interactive Anamnestics ("MIA").
2) Het functioneel beoordelen van de applicatie met betrekking tot gebruiksgemak en efficiëntie, en analyse van het effect van het gebruik van MIA op de consultduur en wachttijd in de klinische setting.
Beschrijving testfase
De testfase is nog niet begonnen. Voor details over de planning en tijdlijn, kunt u ons verzoeken om ons onderzoeksproposal. U kunt ook de bijgevoegde presentatie raadplegen.
Aantal proefpersonen
Nog niet bekend.
Testresultaten
Nog niet bekend.
Uitdagingen
E-health interventie kan zeer nuttig zijn bij het verhogen van de triage en opnamesnelheid terwijl een efficiënter en patiëntvriendelijk triage en anamnese proces wordt bereikt. De algemene uitdagingen die de MIA implementatie in het consultatieproces omvat zijn:
a) SEH wachttijden blijven onbenutte periodes en triage helpt de wachttijden niet te verminderen
b) Triage-systemen zijn uitsluitend - gebruikmakend van huidige richtlijnen- gericht op medische urgentie en prioritering;
c) Dientengevolge kunnen a) en b) dragen niet effectief bij aan de interventie tegen lange consultatietijden en hogere werkdruk bij zorgverleners.
Er zijn ook uitdagingen als het gaat om de implementatie van de MIA. De uitdaging tijdens de eerste fase van het consultatieproces is om de patiënt of de vertegenwoordiger ervan te overtuigen het digitale interactieve MIA-formulier in te vullen.
Verder is vereist dat de behandelend arts de verstrekte anamnestische gegevens van MIA daadwerkelijk beoordeelt om een gedetailleerd inzicht te krijgen in de klacht (en) van de patiënt.
Teslotte bestaat de uitdaging in het verzamelen van anonieme medische gegevens na informed consent en het programmeren ervan in geschikte datasets voor het gebruik het ontwikkelen van de MLADS. Verder suggereert de MLADS eerst een differentiële diagnose die past bij het klachtenpatroon en deze vervolgens deelt met de arts. De uitdaging hier is om de consulent te overtuigen de voorgestelde differentiële diagnose in aanmerking te nemen bij hun diagnostische besluitvorming.
Een algemene uitdaging is de implementatie van de MIA-toepassing op de SEH en HAP. Omdat de huidige praktijk in deze afdelingen gebaseerd is op conventionele triage (MTS, NTS, ATS, CTAS), dwingt de implementatie van MIA de klinieken zich hierop aan te passen. Prospectieve onderzoeken tijdens de studie worden voorgesteld om onze hypothese te bevestigen dat de implementatie van MIA de patiëntenzorg en -tevredenheid daadwerkelijk zal verbeteren en artsen zal helpen bij hun diagnostische besluitvorming. Daarom moeten zowel de SEH als de HAP klinieken, patiënten en artsen deze studie goedkeuren om de implementatie van MIA te vergemakkelijken.
a) SEH wachttijden blijven onbenutte periodes en triage helpt de wachttijden niet te verminderen
b) Triage-systemen zijn uitsluitend - gebruikmakend van huidige richtlijnen- gericht op medische urgentie en prioritering;
c) Dientengevolge kunnen a) en b) dragen niet effectief bij aan de interventie tegen lange consultatietijden en hogere werkdruk bij zorgverleners.
Er zijn ook uitdagingen als het gaat om de implementatie van de MIA. De uitdaging tijdens de eerste fase van het consultatieproces is om de patiënt of de vertegenwoordiger ervan te overtuigen het digitale interactieve MIA-formulier in te vullen.
Verder is vereist dat de behandelend arts de verstrekte anamnestische gegevens van MIA daadwerkelijk beoordeelt om een gedetailleerd inzicht te krijgen in de klacht (en) van de patiënt.
Teslotte bestaat de uitdaging in het verzamelen van anonieme medische gegevens na informed consent en het programmeren ervan in geschikte datasets voor het gebruik het ontwikkelen van de MLADS. Verder suggereert de MLADS eerst een differentiële diagnose die past bij het klachtenpatroon en deze vervolgens deelt met de arts. De uitdaging hier is om de consulent te overtuigen de voorgestelde differentiële diagnose in aanmerking te nemen bij hun diagnostische besluitvorming.
Een algemene uitdaging is de implementatie van de MIA-toepassing op de SEH en HAP. Omdat de huidige praktijk in deze afdelingen gebaseerd is op conventionele triage (MTS, NTS, ATS, CTAS), dwingt de implementatie van MIA de klinieken zich hierop aan te passen. Prospectieve onderzoeken tijdens de studie worden voorgesteld om onze hypothese te bevestigen dat de implementatie van MIA de patiëntenzorg en -tevredenheid daadwerkelijk zal verbeteren en artsen zal helpen bij hun diagnostische besluitvorming. Daarom moeten zowel de SEH als de HAP klinieken, patiënten en artsen deze studie goedkeuren om de implementatie van MIA te vergemakkelijken.
Pilot
Beschrijving pilotfase
De pilotfase maakt onderdeel uit van het onderzoek. Hiervoor hebben we reeds contact met enkele stakeholders (Haga ziekenhuis en Reinier de Graaf) om samenwerking te plannen voor een pilotstudie in een klinisch setting. U kunt ons verzoeken voor ons research-proposal.
Betrokken partners
TU Delft, CE-Labs, Prof. Zaid al Ars.
LUMC. Dpt. of Public Health, Prof. Dr. N. Chavannes
Utrecht.Inc
Mogelijk binnenkort ook een samenwerking met het UMCU.
Haga Ziekenhuis
Reinier de Graaf Ziekenhuis
LUMC. Dpt. of Public Health, Prof. Dr. N. Chavannes
Utrecht.Inc
Mogelijk binnenkort ook een samenwerking met het UMCU.
Haga Ziekenhuis
Reinier de Graaf Ziekenhuis
Maatschappelijke effecten
Een reductie in overconsumptie van gezondheidszorg, kostenreductie, verbeterde gezondheidszorgvoorlichting naar het publiek toe en primaire preventie.
Onderzoeksresultaten
De pilot is nog niet gestart. Momenteel wordt de NWO applicatie ingediend.
Implementatie
Organisatie
We verwachten een flat type organisatie. Grootte van 10-20 medewerkers.
Ondernemer
https://www.linkedin.com/in/tareq-jaber-375488aa/
https://www.linkedin.com/in/ziyaadhjaber/
https://www.linkedin.com/in/ziyaadhjaber/
Implementatiestrategie
Wij volgen de research-roadmap. WIj verwachten implementatie na minimaal 2 jaar na aanvang van het onderzoek. Wij zijn momenteel bezig met potentiële klanten (klinieken) aan het netwerken. Voor meer informatie (zoals de tijdlijn) kunt u ons vragen naar de research-proposal.
Communicatie en marketing
Wij benaderen de markt via academische routes, events, persmogelijkheden, PR, (online) marketing en stakeholders binnen de gezondheidszorg (klinieken en artsen)
Productpresentatie
Opschaling
Productontwikkeling
- Internet of Things integratie
Onze visie op de toekomst is om het gebruik van aanvullende medische diagnostische smartdevices te ondersteunen, zodat de betrouwbaarheid van de MLADS verbeterd kan worden. Ons doel is om enkel wetenschappelijk geteste en gevalideerde apparaten met hoge sensitiviteit en specificiteit te ondersteunen.
- Blockchain integratie (zie medvice.eu)
De blockchain integratie staat los van de MIA module en maakt onderdeel van het Medvice project. Het doel van de implementatie van blockchain technologie is het bewerkstelligen en het creëren van een veilig en gedecentraliseerd en interoperabel EPD systeem.
Onze visie op de toekomst is om het gebruik van aanvullende medische diagnostische smartdevices te ondersteunen, zodat de betrouwbaarheid van de MLADS verbeterd kan worden. Ons doel is om enkel wetenschappelijk geteste en gevalideerde apparaten met hoge sensitiviteit en specificiteit te ondersteunen.
- Blockchain integratie (zie medvice.eu)
De blockchain integratie staat los van de MIA module en maakt onderdeel van het Medvice project. Het doel van de implementatie van blockchain technologie is het bewerkstelligen en het creëren van een veilig en gedecentraliseerd en interoperabel EPD systeem.
Groeiscenario
In de toekomst hopen we de MIA ook te kunnen gebruiken voor de 2e lijn ( specialistische zorg). De MIA maakt onderdeel van het Medvice project dat zich vooral richt op het creëren van een efficiënt e-consultatie systeem. Daarmee willen we bijdragen aan primaire preventie en kostenreductie vanuit thuis.
Planning
Zie bijgevoegde presentatiedeck.
Internationale ambitie
Ja, wij zijn teven internationaal gericht. De problemen in de gezondheidszorg kennen geen grenzen en zijn wereldwijd. Wij willen hier ook een steentje in kunnen bijdragen. Wij trekken geen grenzen mits toelaatbaar.
Geïnvesteerd vermogen
€ 10-100 duizend
Financiële prognose
Voor details kunt u kunt ons verzoeken voor meer documentatie.
