Kunstmatige intelligentie zal naar verwachting een transformerende kracht worden op het gebied van de gezondheidszorg.Dus hoe profiteren artsen en patiënten van de impact van AI-gestuurde tools?
De huidige zorgsector is erg volwassen en kan grote veranderingen doorvoeren.Van chronische ziekten en kanker tot radiologie en risicobeoordeling, de gezondheidszorg lijkt talloze mogelijkheden te hebben om technologie te gebruiken om preciezere, efficiëntere en effectievere interventies in de patiëntenzorg in te zetten.
Met de ontwikkeling van technologie stellen patiënten steeds hogere eisen aan artsen, en het aantal beschikbare gegevens blijft in een alarmerend tempo groeien.Kunstmatige intelligentie wordt een motor om de continue verbetering van de medische zorg te bevorderen.
Vergeleken met traditionele analyse- en klinische besluitvormingstechnologie heeft kunstmatige intelligentie veel voordelen.Wanneer het leeralgoritme interageert met de trainingsgegevens, kan het nauwkeuriger worden, waardoor artsen ongekende inzichten kunnen verwerven over diagnose, verpleegproces, behandelingsvariabiliteit en patiëntresultaten.
Op het World artificial intelligence medical innovation forum (wmif) van 2018, gehouden door Partners Healthcare, gingen medische onderzoekers en klinische experts in op de technologieën en gebieden van de medische industrie die waarschijnlijk een significante impact zullen hebben op de acceptatie van kunstmatige intelligentie in de volgende decennium.
Anne kiblanksi, MD, CO-voorzitter van wmif in 2018, en Gregg Meyer, MD, chief academic officer van Partners Healthcare, zeiden dat dit soort "ondermijning" dat naar elk industriegebied wordt gebracht, de potentie heeft om patiënten aanzienlijke voordelen te bieden en heeft brede zakelijk succespotentieel.
Met de hulp van experts van partners in de gezondheidszorg, waaronder Dr. Keith Dreyer, professor aan de Harvard Medical School (HMS), chief data science officer van partners, en Dr. Katherine andreole, directeur onderzoeksstrategie en operaties bij het Massachusetts General Hospital (MGH) , stelde 12 manieren voor waarop AI een revolutie teweeg zal brengen in medische diensten en wetenschap.
1. Verenig het denken en de machine via de interface van de hersencomputer
Het gebruik van de computer om te communiceren is geen nieuw idee, maar het creëren van een directe interface tussen technologie en menselijk denken zonder toetsenbord, muis en beeldscherm is een grensverleggend onderzoeksgebied, dat voor sommige patiënten een belangrijke toepassing heeft.
Zenuwstelselaandoeningen en trauma's kunnen ertoe leiden dat sommige patiënten het vermogen verliezen tot zinvolle conversatie, beweging en interactie met anderen en hun omgeving.Brain computer interface (BCI) ondersteund door kunstmatige intelligentie kan die basiservaringen herstellen voor patiënten die bang zijn deze functies voor altijd te verliezen.
"Als ik op de neurologie-intensive care een patiënt zie die plotseling het vermogen om te handelen of te spreken verliest, hoop ik zijn vermogen om te communiceren de volgende dag te herstellen", zegt Leigh Hochberg, MD, directeur van het centrum voor neurotechnologie en neurorevalidatie bij Massachusetts Algemeen Ziekenhuis (MGH).Door brain computer interface (BCI) en kunstmatige intelligentie te gebruiken, kunnen we de zenuwen activeren die verband houden met handbewegingen, en we zouden in staat moeten zijn om de patiënt tijdens de hele activiteit minstens vijf keer met anderen te laten communiceren, zoals het gebruik van alomtegenwoordige communicatietechnologieën zoals zoals tablets of mobiele telefoons."
Brain-computerinterface kan de levenskwaliteit van patiënten met amyotrofische laterale sclerose (ALS), beroerte of atresiesyndroom aanzienlijk verbeteren, evenals 500.000 patiënten met dwarslaesie wereldwijd elk jaar.
2.Ontwikkel de volgende generatie stralingstools
Stralingsbeelden verkregen door magnetische resonantiebeeldvorming (MRI), CT-scanners en röntgenstralen bieden niet-invasieve zichtbaarheid in het inwendige van het menselijk lichaam.Veel diagnostische procedures zijn echter nog steeds afhankelijk van fysieke weefselmonsters die zijn verkregen door biopsie, wat het risico op infectie met zich meebrengt.
Experts voorspellen dat kunstmatige intelligentie in sommige gevallen de volgende generatie radiologietools in staat zal stellen nauwkeurig en gedetailleerd genoeg te zijn om de vraag naar monsters van levend weefsel te vervangen.
Alexandra Golby, MD, directeur van beeldgeleide neurochirurgie in het Brigham Women's Hospital (BWh), zei: "We willen het diagnostische beeldvormingsteam samenbrengen met chirurgen of interventionele radiologen en pathologen, maar het is een enorme uitdaging voor verschillende teams om samenwerking tot stand te brengen en consistentie van doelen. Als we willen dat radiologie de informatie levert die momenteel beschikbaar is uit weefselmonsters, dan zullen we zeer nauwkeurige normen moeten kunnen bereiken om de basisfeiten van een bepaalde pixel te kennen. "
Succes in dit proces kan clinici in staat stellen om de algehele prestatie van de tumor nauwkeuriger te begrijpen, in plaats van behandelbeslissingen te nemen op basis van een klein deel van de kenmerken van de kwaadaardige tumor.
AI kan ook de invasiviteit van kanker beter definiëren en het behandelingsdoel beter bepalen.Bovendien helpt kunstmatige intelligentie om "virtuele biopsie" te realiseren en innovatie op het gebied van radiologie te bevorderen, die zich inzet voor het gebruik van op afbeeldingen gebaseerde algoritmen om de fenotypische en genetische kenmerken van tumoren te karakteriseren.
3. Breid medische diensten uit in achtergestelde of ontwikkelingsgebieden
Het gebrek aan goed opgeleide zorgverleners in ontwikkelingslanden, waaronder echografietechnici en radiologen, zal de kansen op het gebruik van medische diensten om het leven van patiënten te redden aanzienlijk verkleinen.
De bijeenkomst wees erop dat er in zes ziekenhuizen in Boston aan de beroemde Longwood Avenue meer radiologen werken dan in alle ziekenhuizen in West-Afrika.
Kunstmatige intelligentie kan de impact van een kritiek tekort aan clinici helpen verminderen door enkele van de diagnostische verantwoordelijkheden over te nemen die normaal gesproken aan mensen worden toegewezen.
Een AI-beeldvormingstool kan bijvoorbeeld röntgenfoto's van de borst gebruiken om de symptomen van tuberculose te onderzoeken, meestal met dezelfde nauwkeurigheid als een arts.Deze functie kan worden ingezet via een applicatie voor zorgverleners in gebieden met weinig middelen, waardoor er minder behoefte is aan ervaren diagnostische radiologen.
"Deze technologie heeft een groot potentieel om de gezondheidszorg te verbeteren", zegt dr. jayashree kalpathy Cramer, assistent-neurowetenschappen en universitair hoofddocent radiologie aan het Massachusetts General Hospital (MGH)
Ontwikkelaars van AI-algoritmen moeten echter zorgvuldig overwegen dat mensen van verschillende nationaliteiten of regio's unieke fysiologische en omgevingsfactoren kunnen hebben, die de prestaties van de ziekte kunnen beïnvloeden.
"De door ziekte getroffen bevolking in India kan bijvoorbeeld heel anders zijn dan die in de Verenigde Staten", zei ze.Wanneer we deze algoritmen ontwikkelen, is het erg belangrijk om ervoor te zorgen dat de gegevens de ziektepresentatie en de diversiteit van de bevolking weergeven.We kunnen niet alleen algoritmen ontwikkelen op basis van een enkele populatie, maar hopen ook dat het een rol kan spelen in andere populaties."
4. Verminder de gebruikslast van elektronische medische dossiers
Elektronisch patiëntendossier (haar) heeft een belangrijke rol gespeeld in de digitale reis van de gezondheidszorg, maar deze transformatie heeft tal van problemen met zich meegebracht die verband houden met cognitieve overbelasting, eindeloze documenten en gebruikersmoeheid.
Ontwikkelaars van elektronische medische dossiers (haar) gebruiken nu kunstmatige intelligentie om een meer intuïtieve interface te creëren en routines te automatiseren die veel gebruikerstijd kosten.
Dr. Adam Landman, vice-president en chief information officer van Brigham Health, zei dat gebruikers het grootste deel van hun tijd besteden aan drie taken: klinische documentatie, orderinvoer en het sorteren van hun inbox.Spraakherkenning en dicteren kunnen de verwerking van klinische documenten helpen verbeteren, maar tools voor natuurlijke taalverwerking (NLP) zijn mogelijk niet voldoende.
"Ik denk dat het misschien nodig is om meer doortastend te zijn en enkele veranderingen te overwegen, zoals het gebruik van video-opnamen voor klinische behandeling, net zoals politie die camera's draagt", zei Landman.Kunstmatige intelligentie en machine learning kunnen vervolgens worden gebruikt om deze video's te indexeren voor toekomstig gebruik.Net als Siri en Alexa, die thuis kunstmatige intelligentie-assistenten gebruiken, zullen in de toekomst virtuele assistenten aan het bed van de patiënt worden gebracht, waardoor clinici ingebedde intelligentie kunnen gebruiken om medische bestellingen in te voeren."
AI kan ook helpen bij het afhandelen van routinematige verzoeken uit inboxen, zoals medicijnsupplementen en melding van resultaten.Het kan ook helpen om prioriteit te geven aan taken die echt de aandacht van clinici nodig hebben, waardoor het voor patiënten gemakkelijker wordt om hun takenlijsten te verwerken, voegde Landman eraan toe.
5. Risico op antibioticaresistentie
Antibioticaresistentie vormt een groeiende bedreiging voor de mens, omdat overmatig gebruik van deze belangrijke geneesmiddelen kan leiden tot de evolutie van superbacteriën die niet langer op behandeling reageren.Multiresistente bacteriën kunnen ernstige schade aanrichten in de ziekenhuisomgeving, waarbij jaarlijks tienduizenden patiënten overlijden.Clostridium difficile alleen al kost de Amerikaanse gezondheidszorg ongeveer 5 miljard dollar per jaar en veroorzaakt meer dan 30.000 doden.
De EPD-gegevens helpen infectiepatronen te identificeren en het risico te benadrukken voordat de patiënt symptomen begint te vertonen.Het gebruik van tools voor machinaal leren en kunstmatige intelligentie om deze analyses aan te sturen, kan de nauwkeurigheid ervan verbeteren en snellere en nauwkeurigere waarschuwingen voor zorgverleners creëren.
"Hulpmiddelen voor kunstmatige intelligentie kunnen voldoen aan de verwachtingen voor infectiebeheersing en antibioticaresistentie", zegt dr. Erica Shenoy, adjunct-directeur infectiebeheersing bij het Massachusetts General Hospital (MGH).Als ze dat niet doen, zal iedereen falen.Omdat ziekenhuizen veel EPD-gegevens hebben, als ze er niet volledig gebruik van maken, als ze geen industrieën creëren die slimmer en sneller zijn in het ontwerpen van klinische onderzoeken, en als ze geen EPD's gebruiken die deze gegevens creëren, ze zullen falen."
6. Creëer een nauwkeurigere analyse voor pathologische beelden
Dr. Jeffrey golden, hoofd van de afdeling pathologie van het Brigham Women's Hospital (BWh) en hoogleraar pathologie aan de HMS, zei dat pathologen een van de belangrijkste bronnen van diagnostische gegevens zijn voor een hele reeks medische dienstverleners.
"70% van de beslissingen in de gezondheidszorg is gebaseerd op pathologische resultaten, en tussen de 70% en 75% van alle gegevens in EPD's is afkomstig van pathologische resultaten," zei hij.En hoe nauwkeuriger de resultaten zijn, hoe eerder de juiste diagnose wordt gesteld.Dit is het doel dat digitale pathologie en kunstmatige intelligentie kunnen bereiken."
Diepe analyse op pixelniveau van grote digitale afbeeldingen stelt artsen in staat subtiele verschillen te herkennen die aan het menselijk oog kunnen ontsnappen.
"We zijn nu op het punt gekomen waarop we beter kunnen beoordelen of kanker zich snel of langzaam zal ontwikkelen, en hoe we de behandeling van patiënten kunnen veranderen op basis van algoritmen in plaats van klinische stadia of histopathologische indeling", zei Golden.Het wordt een enorme stap voorwaarts."
Hij voegde eraan toe: "AI kan ook de productiviteit verbeteren door interessante kenmerken in dia's te identificeren voordat clinici de gegevens bekijken. AI kan door dia's filteren en ons begeleiden om de juiste inhoud te zien, zodat we kunnen beoordelen wat belangrijk is en wat niet. Dit verbetert de efficiëntie van het gebruik van pathologen en verhoogt de waarde van hun studie van elk geval. "
Breng intelligentie naar medische apparaten en machines
Slimme apparaten nemen consumentenomgevingen over en bieden apparaten variërend van real-time video in de koelkast tot auto's die afleiding van de bestuurder detecteren.
In een medische omgeving zijn intelligente apparaten essentieel voor het monitoren van patiënten op IC's en elders.Het gebruik van kunstmatige intelligentie om het vermogen om verslechtering van de aandoening te identificeren te verbeteren, bijvoorbeeld om aan te geven dat sepsis zich ontwikkelt, of de perceptie van complicaties, kan de resultaten aanzienlijk verbeteren en de behandelingskosten verlagen.
"Als we het hebben over het integreren van verschillende gegevens in het gezondheidszorgsysteem, moeten we ICU-artsen integreren en waarschuwen om zo snel mogelijk in te grijpen, en dat de aggregatie van deze gegevens geen goede zaak is die menselijke artsen kunnen doen," zei Mark Michalski , uitvoerend directeur van het Clinical Data Science Center bij BWh.Het invoegen van slimme algoritmen in deze apparaten vermindert de cognitieve belasting van artsen en zorgt ervoor dat patiënten zo snel mogelijk worden behandeld."
8. bevordering van immunotherapie voor de behandeling van kanker
Immunotherapie is een van de meest veelbelovende manieren om kanker te behandelen.Door het eigen immuunsysteem van het lichaam te gebruiken om kwaadaardige tumoren aan te vallen, kunnen patiënten mogelijk hardnekkige tumoren overwinnen.Slechts een paar patiënten reageren echter op het huidige regime van immunotherapie en oncologen hebben nog steeds geen nauwkeurige en betrouwbare methode om te bepalen welke patiënten baat zullen hebben bij het regime.
Machine learning-algoritmen en hun vermogen om zeer complexe datasets te synthetiseren, kunnen mogelijk de unieke genensamenstelling van individuen ophelderen en nieuwe opties bieden voor gerichte therapie.
"De meest opwindende ontwikkeling van de laatste tijd zijn checkpoint-remmers, die eiwitten blokkeren die door bepaalde immuuncellen worden geproduceerd", legt Dr. Long Le uit, directeur van computationele pathologie en technologische ontwikkeling in het uitgebreide diagnostische centrum van het Massachusetts General Hospital (MGH).Maar we begrijpen nog steeds niet alle problemen, wat erg ingewikkeld is.We hebben zeker meer patiëntgegevens nodig.Deze behandelingen zijn relatief nieuw, dus niet veel patiënten nemen ze daadwerkelijk.Of we nu gegevens binnen een organisatie of over meerdere organisaties moeten integreren, het zal daarom een sleutelfactor zijn bij het vergroten van het aantal patiënten om het modelleringsproces aan te sturen."
9. Zet elektronische medische dossiers om in betrouwbare risicovoorspellers
Elektronisch patiëntendossier (haar) is een schat aan patiëntgegevens, maar het is een constante uitdaging voor zorgverleners en ontwikkelaars om een grote hoeveelheid informatie op een nauwkeurige, tijdige en betrouwbare manier te extraheren en te analyseren.
Problemen met de kwaliteit en integriteit van gegevens, in combinatie met verwarring over het gegevensformaat, gestructureerde en ongestructureerde invoer en onvolledige dossiers, maken het moeilijk voor mensen om nauwkeurig te begrijpen hoe zinvolle risicostratificatie, voorspellende analyse en klinische beslissingsondersteuning moeten worden uitgevoerd.
Dr. Ziad OBERMEYER, assistent-professor spoedeisende geneeskunde aan het Brigham Women's Hospital (BWh) en assistent-professor aan de Harvard Medical School (HMS), zei: "Er is hard werk aan de winkel om gegevens op één plek te integreren. Maar een ander probleem is om te begrijpen wat mensen krijgen als ze een ziekte voorspellen in het elektronische patiëntendossier (haar). Mensen horen misschien dat algoritmen van kunstmatige intelligentie een depressie of beroerte kunnen voorspellen, maar merken dat ze in feite een toename van de kosten van een beroerte voorspellen. Het is heel anders dan de beroerte zelf."
Hij vervolgde, "vertrouwen op MRI-resultaten lijkt een meer specifieke dataset te bieden. Maar nu moeten we nadenken over wie MRI kan betalen? Dus de uiteindelijke voorspelling is niet het verwachte resultaat. "
NMR-analyse heeft veel succesvolle tools voor risicoscores en stratificatie opgeleverd, vooral wanneer onderzoekers deep learning-technieken gebruiken om nieuwe verbanden te identificeren tussen ogenschijnlijk niet-gerelateerde datasets.
OBERMEYER is echter van mening dat ervoor zorgen dat deze algoritmen de vooroordelen die verborgen zijn in de gegevens niet identificeren, cruciaal is voor het inzetten van tools die de klinische zorg echt kunnen verbeteren.
"De grootste uitdaging is om ervoor te zorgen dat we precies weten wat we voorspeld hebben voordat we de zwarte doos openen en kijken hoe we kunnen voorspellen," zei hij.
10.Bewaking van de gezondheidsstatus door middel van draagbare apparaten en persoonlijke apparaten
Vrijwel alle consumenten kunnen nu met behulp van sensoren data verzamelen over de gezondheidswaarde.Van smartphones met step-tracker tot draagbare apparaten die de hele dag de hartslag volgen, er kunnen steeds meer gezondheidsgerelateerde gegevens op elk moment worden gegenereerd.
Het verzamelen en analyseren van deze gegevens en het aanvullen van de informatie die door patiënten wordt verstrekt via applicaties en andere apparaten voor thuisbewaking, kan een uniek perspectief bieden voor de gezondheid van individuen en groepen.
AI zal een belangrijke rol spelen bij het extraheren van bruikbare inzichten uit deze grote en diverse database.
Maar Dr. Omar Arnout, een neurochirurg in het Brigham Women's Hospital (BWh), CO-directeur van het centrum voor computationele neurowetenschappelijke resultaten, zei dat het extra werk kan vergen om patiënten te helpen zich aan te passen aan deze intieme, voortdurende monitoringgegevens.
"Vroeger waren we vrij vrij om digitale gegevens te verwerken", zei hij.Maar als er datalekken plaatsvinden bij Cambridge analytics en Facebook, zullen mensen steeds voorzichtiger worden over wie ze welke gegevens moeten delen."
Patiënten hebben de neiging hun artsen meer te vertrouwen dan grote bedrijven zoals Facebook, voegde hij eraan toe, wat het ongemak van het verstrekken van gegevens voor grootschalige onderzoeksprogramma's zou kunnen helpen verlichten.
"Het is waarschijnlijk dat draagbare gegevens een aanzienlijke impact zullen hebben, omdat de aandacht van mensen erg toevallig is en de verzamelde gegevens erg ruw zijn", zei Arnout.Door continu gedetailleerde gegevens te verzamelen, is de kans groter dat artsen artsen kunnen helpen om patiënten beter te verzorgen."
11. Maak van smartphones een krachtig diagnostisch hulpmiddel
Deskundigen zijn van mening dat beelden verkregen van smartphones en andere bronnen op consumentenniveau een belangrijke aanvulling zullen worden op beeldvorming van klinische kwaliteit, vooral in achtergestelde gebieden of ontwikkelingslanden, door de krachtige functies van draagbare apparaten te blijven gebruiken.
De kwaliteit van mobiele camera's verbetert elk jaar en kan afbeeldingen genereren die kunnen worden gebruikt voor AI-algoritmeanalyse.Dermatologie en oogheelkunde profiteren al vroeg van deze trend.
Britse onderzoekers hebben zelfs een hulpmiddel ontwikkeld om ontwikkelingsziekten te identificeren door afbeeldingen van kindergezichten te analyseren.Het algoritme kan discrete kenmerken detecteren, zoals de onderkaaklijn van kinderen, de positie van ogen en neus en andere kenmerken die kunnen wijzen op gezichtsafwijkingen.Op dit moment kan de tool algemene beelden matchen met meer dan 90 ziekten om klinische besluitvorming te ondersteunen.
Dr. Hadi Shafiee, directeur van het laboratorium voor micro-/nanogeneeskunde en digitale gezondheid in het Brigham Women's Hospital (BWh), zei: "De meeste mensen zijn uitgerust met krachtige mobiele telefoons met veel verschillende ingebouwde sensoren. Het is een geweldige kans voor ons. Bijna allemaal Spelers uit de industrie zijn begonnen met het inbouwen van Ai-software en -hardware in hun apparaten. Het is geen toeval. In onze digitale wereld wordt elke dag meer dan 2,5 miljoen terabyte aan gegevens gegenereerd. Op het gebied van mobiele telefoons denken fabrikanten dat ze dit kunnen gebruiken gegevens voor kunstmatige intelligentie om meer gepersonaliseerde, snellere en intelligentere diensten te bieden. "
Het gebruik van smartphones om beelden te verzamelen van de ogen, huidlaesies, wonden, infecties, medicijnen of andere onderwerpen van patiënten kan helpen om het tekort aan deskundigen op achtergestelde gebieden aan te pakken, terwijl de tijd om bepaalde klachten te diagnosticeren wordt verkort.
"Er kunnen in de toekomst enkele grote gebeurtenissen plaatsvinden en we kunnen van deze gelegenheid gebruik maken om enkele belangrijke problemen van ziektebeheer in het zorgpunt op te lossen", zei Shafiee.
12. Innovatieve klinische besluitvorming met AI aan het bed
Naarmate de zorgsector overgaat op op vergoedingen gebaseerde diensten, neemt het steeds meer afstand van passieve gezondheidszorg.Preventie vóór chronische ziekte, acute ziektegebeurtenissen en plotselinge verslechtering is het doel van elke zorgverlener, en de compensatiestructuur stelt hen uiteindelijk in staat processen te ontwikkelen die actieve en voorspellende interventie kunnen bereiken.
Kunstmatige intelligentie zal veel basistechnologieën bieden voor deze evolutie, door voorspellende analyse en hulpmiddelen voor klinische besluitvorming te ondersteunen, om problemen op te lossen voordat aanbieders beseffen dat ze actie moeten ondernemen.Kunstmatige intelligentie kan vroegtijdig waarschuwen voor epilepsie of sepsis, waarvoor meestal een grondige analyse van zeer complexe datasets nodig is.
Brandon Westover, MD, directeur klinische gegevens bij het Massachusetts General Hospital (MGH), zei dat machinaal leren ook kan helpen bij het ondersteunen van de voortdurende zorgverlening aan ernstig zieke patiënten, zoals patiënten die in coma liggen na een hartstilstand.
Hij legde uit dat artsen onder normale omstandigheden de EEG-gegevens van deze patiënten moeten controleren.Dit proces is tijdrovend en subjectief, en de resultaten kunnen variëren afhankelijk van de vaardigheden en ervaring van clinici.
Hij zei: “Bij deze patiënten kan de trend langzaam zijn.Als artsen willen zien of iemand herstelt, kijken ze soms naar de gegevens die elke 10 seconden worden gecontroleerd.Echter, om te zien of het is veranderd van 10 seconden aan gegevens die in 24 uur zijn verzameld, is hetzelfde als kijken of het haar in de tussentijd is gegroeid.Als kunstmatige intelligentie-algoritmen en grote hoeveelheden gegevens van veel patiënten worden gebruikt, zal het echter gemakkelijker zijn om wat mensen zien te matchen met langetermijnpatronen, en kunnen er enkele subtiele verbeteringen worden gevonden, die van invloed zullen zijn op de besluitvorming van artsen in de verpleging. ."
Het gebruik van kunstmatige-intelligentietechnologie voor klinische besluitvorming, risicoscores en vroegtijdige waarschuwing is een van de meest veelbelovende ontwikkelingsgebieden van deze revolutionaire data-analysemethode.
Door kracht te leveren voor een nieuwe generatie tools en systemen, kunnen clinici de nuances van ziekte beter begrijpen, effectiever verpleegkundige diensten verlenen en problemen van tevoren oplossen.Kunstmatige intelligentie zal een nieuw tijdperk inluiden van verbetering van de kwaliteit van klinische behandelingen en opwindende doorbraken in de patiëntenzorg.
Posttijd: 06-08-2021
