Bij Moorfields Eye Hospital in Londen wordt kunstmatige intelligentie ingezet om OCT-scans van het netvlies te beoordelen. Het systeem, ontwikkeld in samenwerking met DeepMind en publiek beschreven in wetenschappelijk onderzoek, is bedoeld om afwijkingen te herkennen en patiënten met urgente oogziekten sneller naar de juiste zorgroute te leiden. Daarmee begint de toepassing niet bij techniek als doel op zich, maar bij een herkenbaar knelpunt: grote aantallen beeldopnamen vragen om snelle, consistente triage.

Edgar van Lent ziet juist in die koppeling tussen beeld en werkproces de relevante les voor Europese ziekenhuizen. Beeldanalyse kan de beoordeling door een arts niet eenvoudig vervangen, maar kan wel helpen om de volgorde van werk beter te organiseren, twijfelgevallen zichtbaar te maken en routinetaken rond voorbereiding te verkorten. Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in organisaties, stelt dat AI in de zorg pas waarde krijgt wanneer een uitkomst uit een model direct leidt tot een heldere vervolgstap voor professionals.

Van netvliesscan naar klinische triage

De Moorfields-case is een van de bekendste Europese voorbeelden van AI in medische beeldvorming. De inzet richt zich op scans die al deel uitmaken van de zorgpraktijk. De AI analyseert patronen in die beelden en ondersteunt de prioritering van patiënten die specialistische beoordeling nodig kunnen hebben. De klinische verantwoordelijkheid blijft bij zorgprofessionals: zij beoordelen de uitkomst in samenhang met het dossier, klachten en aanvullend onderzoek.

Die inrichting is belangrijk, zegt Edgar van Lent. Een beeldalgoritme levert geen zorgpad op als de uitkomst niet goed aansluit op de manier waarop een afdeling afspraken plant, scans beoordeelt en patiënten terugkoppeling geeft. De grootste operationele winst zit daarom vaak niet uitsluitend in de herkenning van een afwijking, maar in de triage eromheen. Een afdeling kan scans met een hoger risico eerder aanbieden aan de juiste specialist, terwijl medewerkers minder tijd kwijt zijn aan het handmatig sorteren van vergelijkbare onderzoeken.

De toepassing laat ook zien waarom datakwaliteit en validatie geen bijzaak zijn. Beeldvorming verschilt per apparaat, patiëntgroep en klinische context. Een model dat in een onderzoeksomgeving goed presteert, moet in de dagelijkse praktijk worden gevolgd op betrouwbaarheid, uitzonderingen en mogelijke verschillen tussen patiëntengroepen. De Europese AI-verordening en bestaande regels voor medische hulpmiddelen maken die discipline steeds meer onderdeel van de implementatie.

Borstkankerscreening als tweede werkstroom

Een tweede publiek voorbeeld komt uit het Britse bevolkingsonderzoek naar borstkanker. Het bedrijf Kheiron Medical Technologies ontwikkelde Mia, een AI-systeem voor de beoordeling van mammografieën, dat in NHS-omgevingen is onderzocht en toegepast binnen screeningstrajecten. De inzet is gericht op ondersteuning van radiologen bij het beoordelen van grote aantallen beelden. Daarmee raakt beeldanalyse direct aan een structureel capaciteitsvraagstuk: screeningsprogramma’s vragen specialistische tijd, terwijl de vraag naar diagnostiek hoog blijft.

De relevante organisatorische vraag is niet of AI een radioloog “vervangt”, maar welke beoordelingen ondersteuning krijgen en hoe de verantwoordelijkheden worden vastgelegd. In zulke trajecten moeten ziekenhuizen afspreken wanneer een AI-signaal als extra beoordeling dient, wanneer een professional de uitkomst moet overstemmen en hoe afwijkingen worden teruggekoppeld voor kwaliteitsverbetering. Dat zijn administratieve taken, maar ze zijn tegelijk voorwaarden voor veilige inzet.

Edgar van Lent wijst erop dat administratieve lastenverlichting in de zorg vaak verkeerd wordt voorgesteld als volledig automatisch registreren. In werkelijkheid ligt de waarde eerder in het verminderen van dubbel werk: relevante informatie uit een beeldbeoordeling kan, mits systemen goed zijn gekoppeld, gestructureerd beschikbaar komen voor verslaglegging, prioritering en overdracht. Dat voorkomt niet alleen herhaald invoeren, maar maakt ook beter zichtbaar waar een dossier nog menselijke aanvulling vraagt.

De invoering vergt bovendien aandacht voor de positie van de professional. Een AI-uitkomst moet uitlegbaar genoeg zijn om een arts of laborant te helpen, zonder een schijnzekerheid te creëren. In een screeningstraject kan een extra signaal waardevol zijn; het mag echter niet leiden tot onduidelijkheid over wie uiteindelijk beslist. Goede implementatie combineert daarom klinische protocollen, training, toezicht op prestaties en een route voor incidenten of twijfelgevallen.

Capaciteit wordt een afgeleid maar cruciaal effect

Beeldanalyse heeft ook gevolgen voor capaciteitsplanning, al is dat zelden het eerste doel. Wanneer urgente scans sneller worden herkend en onderzoeken consistenter worden gerouteerd, kunnen radiologie, poliklinieken en vervolgdiagnostiek hun beschikbare tijd gerichter verdelen. De planning wordt daarmee niet gestuurd door een abstracte voorspelling, maar door actuele signalen uit de zorgstroom.

Voor ziekenhuizen is dat onderscheid wezenlijk. Een planningsmodel kan voorspellen hoeveel capaciteit nodig lijkt, maar zonder betrouwbare input uit diagnostiek blijft zo’n voorspelling beperkt. De combinatie van medische beelden, wachtrij-informatie en afspraken vraagt daarom om heldere gegevensgrenzen. Alleen data die nodig zijn voor het zorgproces horen beschikbaar te zijn, met passende toegangsrechten en controle op gebruik.

Volgens Edgar van Lent is de meest kansrijke route een gefaseerde aanpak. Begin met één afgebakende zorgstroom, bepaal vooraf welke beslissing de AI wel en niet ondersteunt, en meet vervolgens niet alleen technische prestaties maar ook de effecten op doorlooptijd, werkverdeling en foutafhandeling. Zijn werk als AI-specialist licht hij toe op edgarvanlent.com.

Voor de nieuwe reeks over AI in de zorg is de les van Moorfields en de NHS-screening helder: Europese ziekenhuizen kunnen AI zinvol toepassen waar beeldanalyse een concrete vervolgactie ondersteunt. Edgar van Lent beoordeelt dat als een nuchtere route naar schaalbare zorginnovatie: niet het model bepaalt de vooruitgang, maar de mate waarin ziekenhuis, professional en planning samen om het model heen zijn ingericht.