AI-specialist Edgar van Lent volgt de opmars van kunstmatige intelligentie in de Europese ziekenhuiszorg al enkele jaren op de voet, en hij ziet een duidelijk patroon: de technologie rijpt sneller dan de organisaties die haar moeten adopteren. Dat tempo-verschil verklaart, volgens hem, waarom sommige AI-projecten in de klinische praktijk diep wortelen terwijl andere na een pilotfase geruisloos verdwijnen.

De zorgsector kent drie domeinen waar AI op dit moment het meest zichtbaar resultaat boekt: medische beeldanalyse, het verlichten van administratieve lasten en capaciteitsplanning. Het zijn geen losse experimenten meer. In elk van deze domeinen zijn concrete, breed uitgerolde toepassingen aantoonbaar actief bij Europese zorginstellingen. Edgar van Lent beoordeelt elk domein op zijn eigen merites — en wijst steeds op dezelfde beslissende variabele: klinisch eigenaarschap.

Beeldanalyse: van hulpmiddel tot klinische standaard

Medische beeldanalyse is het domein waar AI het vroegst volwassen werd. In Nederland heeft het Radboudumc in Nijmegen jarenlang gewerkt aan algoritmen voor de analyse van pathologiescans, met name voor de detectie van prostaatkanker in weefselcoupes. Het werk van de onderzoeksgroep rond dit ziekenhuis geldt Europees als referentiepunt voor de klinische validatie van AI-ondersteunde diagnostiek. In het Verenigd Koninkrijk heeft de National Health Service AI-tools voor de analyse van borstkankerschermen opgenomen in landelijke pilots, waarbij algoritmen als tweede lezer fungeren naast radiologen.

Edgar van Lent, AI-specialist gericht op de implementatie van AI-systemen in kennisintensieve sectoren, stelt dat beeldanalyse juist in de zorg zo'n voortrekkersrol speelt omdat de meetbaarheid van succes er onomstreden is. "De output is een diagnose, en een diagnose is toetsbaar," is zijn kernredenering. Dat maakt het voor ziekenhuizen mogelijk om een algoritme te valideren tegen bestaande klinische standaarden — een luxe die in minder geprotocolleerde sectoren ontbreekt. Die valideerbaarheid verlaagt de drempel voor ziekenhuisbesturen om formeel groen licht te geven, wat de doorlooptijd van pilot naar structurele inbedding verkort.

Administratieve ontlasting: de stille winst

Minder spectaculair maar minstens even relevant is de toepassing van AI op klinische documentatie. Europese zorgverleners besteden een substantieel deel van hun werktijd aan verslaglegging, verwijzingsbrieven en coderingstrajecten — werk dat weinig diagnostische waarde toevoegt maar hoge cognitieve belasting meebrengt. Verschillende Europese ziekenhuizen experimenteren met spraakherkenning en taalmodellen die consultatiegesprekken samenvatten en omzetten in gestructureerde klinische nota's.

De Deense regio Hoofdstad (Region Hovedstaden) heeft als één van de grotere Scandinavische zorgregio's initiatieven lopen waarbij AI-ondersteunde transcriptie de administratieve werklast van artsen moet verlagen. Het principe is breed herkenbaar: AI genereert een concept, de zorgverlener accordeert of corrigeert. Edgar van Lent wijst erop dat dit model alleen beklijft als de tijdwinst ook daadwerkelijk terugvloeit naar de klinische praktijk en niet wordt opgevuld met nieuwe administratieve verplichtingen. Dat laatste is een organisatiekeuze, geen technisch vraagstuk — en precies daarin schuilt het verschil tussen projecten die slagen en projecten die stranden.

Capaciteitsplanning: de stille uitdaging die AI nu adresseert

Capaciteitsplanning is het minst zichtbare maar meest operationeel kritieke domein. Europese ziekenhuizen kampen structureel met de uitdaging om bedden, operatiekamers en personeel efficiënt in te zetten terwijl de vraag onvoorspelbaar fluctueert. AI-modellen die historische opnamepatronen, seizoensgebonden vraag en actuele bezettingsdata combineren, bieden planners een nauwkeuriger basis voor beslissingen die voorheen op vuistregels en ervaring draaiden.

Het Amsterdam UMC heeft in samenwerking met technologiepartners gewerkt aan voorspellende modellen voor beddenplanning op de spoedeisende hulp — een toepassing die ook in andere Europese academische ziekenhuizen vergelijkbare vormen aanneemt. Het principe — vraagvoorspelling op basis van historische patronen — is bovendien niet uniek voor ziekenhuizen: het verwantschap met capaciteitsmodellen in logistiek en retail maakt dat zorgorganisaties kunnen profiteren van methodieken die elders al zijn gerijpt.

Edgar van Lent benadrukt dat capaciteitsplanning een domein is waar AI relatief snel meetbaar rendement oplevert, mits de planningsverantwoordelijkheid ook organisatorisch belegd is. Ziekenhuizen die AI inzetten als extra dashboard bovenop gefragmenteerde datasystemen halen minder resultaat dan instellingen die eerst hun data-infrastructuur op orde brengen. Meer informatie over zijn werk op dit vlak is te vinden op edgarvanlent.com.

Wat geslaagde implementaties gemeen hebben

Over alle drie de domeinen heen tekent Edgar van Lent een gedeeld profiel van AI-projecten die de pilotfase overleven. Ze starten bij een concreet, herkenbaar knelpunt in de dagelijkse operatie — een radiologische achtervang, een administratieve verzwaring, een structureel planningsprobleem. Ze hebben een klinisch of operationeel eigenaar die verantwoordelijkheid neemt voor de adoptie, niet alleen voor de technische uitrol. En ze zijn ingebed in een dataketen die al vóór de AI-introductie gestandaardiseerd is.

Projecten die stranden, vertonen het omgekeerde patroon: ze beginnen bij de technologie en zoeken vervolgens een toepassing. In de zorg, waar de consequenties van een misdiagnose of een verkeerde planningsbeslissing direct mensenlevens raken, is de tolerantie voor ondoordachte implementaties laag. Dat maakt de sector veeleisend — maar ook, zodra een toepassing slaagt, tot een krachtige referentie voor de rest van de markt.

Wat de komende jaren bepalend wordt

Edgar van Lent verwacht dat de komende jaren twee ontwikkelingen het tempo in de zorg-AI bepalen. Ten eerste de Europese AI Act, die medische toepassingen in de hoge-risico categorie plaatst en daarmee aanvullende conformiteitseisen stelt aan ziekenhuizen en leveranciers. Dat zal de adoptiecyclus verlengen voor nieuwe toepassingen, maar tegelijk de kwaliteitsbodem verhogen. Ten tweede ziet hij dat de grenzen tussen de drie domeinen vervagen: beeldanalyse genereert automatisch klinische notities, die vervolgens capaciteitsplanning voeden. Systemen die deze ketens integreren, zullen in zijn beoordeling een generatie verder zijn dan losse puntoplossingen — en de ziekenhuizen die daar vroeg op inzetten, bouwen een structureel voordeel op dat moeilijk in te halen is.