Een CT-scan waarop een mogelijke hersenbloeding of longembolie zichtbaar is, kan in een druk ziekenhuis tussen honderden andere onderzoeken terechtkomen. AI-software die zulke signalen direct markeert en het onderzoek hoger op de werklijst zet, verandert niet de diagnosebevoegdheid van de radioloog, maar wel de volgorde waarin een team kijkt. Juist daar begint een relevante praktijkcase voor de zorg: bij het terugwinnen van tijd in een proces waarin beeldvorming, verslaglegging en beddencapaciteit nauw op elkaar aansluiten.

Edgar van Lent plaatst die toepassing nadrukkelijk buiten de sfeer van een autonome medische beslissing. Volgens Edgar van Lent is de waarde van beeldanalyse vooral dat ziekenhuizen hun schaarse expertise gerichter kunnen inzetten: een urgent signaal komt eerder bij de juiste professional, terwijl routinematige administratieve stappen beter organiseerbaar worden.

AI als extra ogen in de radiologieworkflow

In Engeland stimuleert NHS England de inzet van AI in diagnostiek via het AI Diagnostic Fund. Daarmee zijn bij NHS-organisaties toepassingen ondersteund die onder meer radiologische beelden analyseren en de klinische workflow rond diagnostiek ondersteunen. Het gaat in de praktijk niet om één landelijk algoritme dat een uitslag afgeeft, maar om instellingen die gevalideerde software opnemen in hun eigen werkproces, met radiologen en andere zorgprofessionals verantwoordelijk voor de beoordeling.

Een herkenbaar voorbeeld van deze richting is de inzet van AI voor triage van CT-onderzoeken bij mogelijke acute afwijkingen. Software kan patronen signaleren die passen bij bijvoorbeeld een intracraniële bloeding, een beroerte of een longembolie. De melding kan vervolgens worden gekoppeld aan de werklijst, zodat een radioloog het onderzoek met passende urgentie beoordeelt. Het klinische oordeel blijft bij de arts; de software organiseert vooral aandacht en volgorde.

Ook in Nederland is deze werkwijze zichtbaar in de keten rond borstkankerscreening. Nederlandse screeningsorganisaties en radiologische teams werken met digitale mammografie en ontwikkelen en evalueren AI-ondersteuning voor het beoordelen van beelden. De beoogde toepassing is niet dat een systeem zelfstandig bepaalt wie zorg nodig heeft, maar dat het second-readerproces en de selectie van beelden beter kunnen worden ondersteund. Daarmee raakt beeldanalyse direct aan de beschikbare capaciteit van radiologen en screeningsprofessionals.

Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese organisaties, stelt dat beeldanalyse in ziekenhuizen pas betekenis krijgt wanneer een signaal aantoonbaar leidt tot een betere werkverdeling. “Een algoritme dat iets markeert maar niet goed is ingebed in de werklijst, de overdracht en de escalatieprocedure, voegt vooral een extra scherm toe.”

Van beeldsignaal naar minder administratieve frictie

De belangrijkste winst zit daarom vaak niet alleen in het herkennen van een mogelijk afwijkend beeld. Zodra een urgent onderzoek is gemarkeerd, volgen administratieve handelingen: het informeren van een behandelend team, het vastleggen van de bevinding, het plannen van vervolgonderzoek en het actualiseren van de patiëntstroom. Daar kunnen ziekenhuizen processen standaardiseren en delen ervan digitaal voorbereiden.

NHS-organisaties die AI-diagnostiek invoeren, koppelen de technologie daarom aan bestaande systemen voor beeldarchivering, verslaglegging en klinische communicatie. Dat is een wezenlijk verschil met een losstaande proefopstelling. Een radioloog moet kunnen zien waarom een onderzoek aandacht vraagt, de melding kunnen bevestigen of verwerpen en zonder dubbel werk verder kunnen in het eigen systeem. Ook moet achteraf controleerbaar zijn wat de software heeft gemarkeerd en hoe de professional daarop heeft gehandeld.

De Nederlandse screeningpraktijk laat een vergelijkbare les zien. Bij grote volumes is niet alleen de nauwkeurigheid van een model relevant, maar ook de manier waarop uitzonderingen, kwaliteitscontroles en vervolgacties worden afgehandeld. AI kan repetitieve vergelijkingen en prioritering ondersteunen, maar vraagt om duidelijke afspraken over wie een afwijking beoordeelt, hoe twijfelgevallen worden behandeld en wanneer de menselijke beoordeling altijd verplicht blijft.

Volgens Edgar van Lent is dit precies waarom administratieve lastenverlichting niet moet worden verward met het schrappen van professionele controle. “Goede zorg-AI neemt geen verantwoordelijkheid weg; zij maakt het mogelijk dat professionals minder tijd verliezen aan zoeken, sorteren en overtypen, en meer tijd besteden aan beoordeling en overleg.” Voor Edgar van Lent als AI-specialist ligt de toets daarom bij de dagelijkse werkvloer: wordt de overdracht rustiger, wordt de verslaglegging consistenter en blijft duidelijk wie eindverantwoordelijk is?

Capaciteitsplanning begint met betrouwbare procesdata

Beeldanalyse werkt ook door in de bredere capaciteitsplanning van een ziekenhuis. Een eerder gesignaleerd urgent beeld kan eerder leiden tot overleg, opname, interventie of vervolgdiagnostiek. Die informatie is bruikbaar voor de afdelingen die bedden, operatiekamers, personeel en diagnostische capaciteit moeten afstemmen. Maar die koppeling is alleen verantwoord wanneer de gegevensstromen betrouwbaar zijn en wanneer een voorspelling niet wordt behandeld als een vaststaand besluit.

In het Verenigd Koninkrijk zijn NHS-trusts al langer bezig met digitale capaciteits- en patiëntstroomprogramma’s waarin gegevens over instroom, ontslag en bedbezetting worden samengebracht. AI kan in zulke omgevingen helpen om patronen in vraag en doorstroming eerder zichtbaar te maken. De concrete les uit de radiologie is daarbij relevant: een voorspelling heeft pas operationele waarde als een team weet welke actie erop volgt. Een verwacht capaciteitsknelpunt zonder mogelijkheid om roosters, bedden of diagnostiek aan te passen, blijft slechts een dashboardmelding.

Voor Europese ziekenhuizen ligt de opgave dus in het verbinden van drie lagen: gevalideerde beeldanalyse, een zorgvuldig ingerichte administratieve workflow en planning die ruimte laat voor professionele afweging. Privacy, informatiebeveiliging, representatieve validatie en toezicht op afwijkende prestaties horen daar standaard bij. Zeker bij systemen die worden gebruikt voor verschillende patiëntengroepen en locaties, moet een ziekenhuis blijven nagaan of de werking in de eigen praktijk aansluit bij de beoogde inzet.

Edgar van Lent verwacht dat de volgende stap niet de volledige automatisering van het ziekenhuis is, maar een gerichtere koppeling tussen diagnostische signalen en operationele keuzes. Zijn beoordeling is dat zorgorganisaties het meeste rendement halen uit afgebakende toepassingen die aantoonbaar tijd vrijmaken, goed controleerbaar blijven en de professional op het beslissende moment ondersteunen.