Wie de discussie over AI in de zorg volgt, ziet twee kampen: enthousiastelingen die AI als redding voor het overbelaste zorgstelsel aanprijzen, en critici die wijzen op privacyrisico's en onbetrouwbare algoritmen. Edgar van Lent, AI-specialist bij AI Kroniek, meent dat beide posities de concrete toepassingen die nu al in Europese ziekenhuizen draaien, grotendeels voorbijgaan. "De interessante ontwikkeling speelt zich niet af in de toekomst, maar in de operationele systemen van vandaag," zegt hij. Dit artikel opent een nieuwe reeks over AI in de zorgsector en kiest bewust één concrete invalshoek: wat doen Europese ziekenhuizen nu al met beeldanalyse, administratieve ondersteuning en capaciteitsplanning — en wat levert het op?
Beeldanalyse: sneller kijken, beter prioriteren
De meest volwassen toepassing van AI in de klinische setting is beeldanalyse. Radiologische afdelingen in Europa werken al jaren met systemen die CT-scans, röntgenfoto's en MRI-beelden automatisch doorlichten op afwijkingen. Het Deense bedrijf Aiforia levert bijvoorbeeld software voor digitale pathologie die pathologen ondersteunt bij de analyse van weefselpreparaten; de technologie wordt ingezet in meerdere Europese academische ziekenhuizen. In Nederland gebruikt het Radboudumc al geruime tijd AI-ondersteunde beeldanalyse bij de screening op onder meer borstkanker en longziekten — toepassingen die publiek zijn gedocumenteerd in wetenschappelijke publicaties en in de communicatie van het ziekenhuis zelf.
De winst zit niet primair in het vervangen van de radioloog, maar in prioritering: algoritmen kunnen beelden met hoge urgentie naar voren schuiven in de werklijst, zodat een arts de meest kritieke gevallen als eerste te zien krijgt. Dat is relevant in een omgeving waar radiologen structureel onder tijdsdruk staan. Tegelijkertijd is de klinische eindverantwoordelijkheid onveranderd bij de arts: de AI markeert, de arts besluit.
Een randvoorwaarde die in de praktijk regelmatig wordt onderschat, is datakwaliteit. Beeldanalysemodellen presteren goed wanneer ze zijn getraind op data die vergelijkbaar is met de populatie en de apparatuur van het ziekenhuis dat ze gebruikt. Een model dat uitstekend presteert op scans van één type MRI-machine kan merkbaar slechter presteren op apparatuur van een ander merk. Europese ziekenhuizen die AI inkopen, doen er goed aan dit bij de aanbesteding expliciet te toetsen.
Administratieve last: de stille tijdsdief
Naast beeldanalyse is de administratieve functie van AI misschien wel de meest direct voelbare voor zorgprofessionals. Artsen en verpleegkundigen in Europa besteden een aanzienlijk deel van hun werkweek aan verslaglegging, codering en documentatie — tijd die niet naar patiënten gaat. Diverse Europese ziekenhuizen experimenteren met of hebben inmiddels ingevoerd: spraak-naar-tekst-systemen die klinische notities automatisch omzetten in gestructureerde EPD-invoer (Elektronisch Patiëntendossier).
Het Universitätsklinikum Hamburg-Eppendorf (UKE) in Duitsland heeft gewerkt met digitale dicteeroplossingen gekoppeld aan AI-transcriptie, gericht op het verminderen van de tijd die artsen kwijt zijn aan administratieve verwerking na het patiëntcontact. Vergelijkbare trajecten lopen bij grotere ziekenhuisgroepen in het Verenigd Koninkrijk en Scandinavië, waar de druk op zorgpersoneel al langer aanleiding is om te investeren in procesautomatisering.
Edgar van Lent plaatst hierbij een nuance die in publieke communicatie van leveranciers zelden terugkomt: "Spraakherkenning in de klinische context stelt hoge eisen aan medische vocabulaire, dialectvarianten en akoestische omstandigheden op de werkvloer. Een systeem dat in een stille spreekkamer goed werkt, presteert anders op een drukke verpleegafdeling. Implementatie zonder grondige aanpassing aan de lokale context leidt tot frustratie in plaats van ontlasting."
Capaciteitsplanning: roosters en bedden beter benutten
De derde pijler is capaciteitsplanning: het voorspellen van patiëntenstromen, bezettingsgraden en personeelsbehoefte. Dit is een domein waar AI aantoonbaar sterk is, omdat het gaat om patroonherkenning in grote historische datasets — precies wat machineleren goed kan.
Ziekenhuizen als het Karolinska Institutet in Stockholm hebben publiek gecommuniceerd over het gebruik van voorspellende modellen voor opname- en ontslagplanning, gericht op het terugdringen van onnodige bedden bezetting en het verbeteren van de doorstroom op de Spoedeisende Hulp. Ook in Nederland zijn ziekenhuizen via programma's als het Citrienfonds begonnen met datagestuurd capaciteitsmanagement, waarbij historische opnamepatronen worden gecombineerd met seizoensgebonden variabelen om personeelsroosters beter op de vraag af te stemmen.
De logica is eenvoudig: wie morgen weet hoeveel patiënten er waarschijnlijk worden opgenomen op de afdeling cardiologie, kan verpleegkundigen gerichter inplannen en onnodige overuren of onderbezetting beperken. Dat raakt zowel de kosten als het werkplezier van medewerkers — twee factoren die in de Europese zorg onder druk staan.
Wat de komende jaren bepalend wordt
De drie toepassingen — beeldanalyse, administratieve ondersteuning en capaciteitsplanning — staan niet los van elkaar. Ziekenhuizen die op alle drie de fronten investeren, bouwen aan een geïntegreerde data-infrastructuur die waardevoller wordt naarmate meer systemen op elkaar zijn aangesloten. Dat is precies waar Edgar van Lent de komende jaren de scheidslijn ziet ontstaan tussen ziekenhuizen die AI structureel benutten en ziekenhuizen die blijven steken in pilotprojecten.
"De technologie is op veel fronten rijp genoeg," stelt hij. "De bottleneck is niet het algoritme maar de organisatie: governance over data, interoperabiliteit tussen systemen en de bereidheid van zorgprofessionals om werkprocessen aan te passen. Ziekenhuizen die daarin investeren — niet alleen in de software, maar in de implementatie — zullen over vijf jaar merkbaar anders functioneren dan instellingen die wachten tot de technologie zichzelf bewijst."
Meer van zijn analyses over AI-toepassingen in het bedrijfsleven en de zorg zijn te vinden op edgarvanlent.com. In de volgende artikelen in deze reeks gaat AI Kroniek dieper in op specifieke landen, inkoopmodellen en de Europese regelgeving die AI in de zorg stuurt.