De inzet van AI bij een borstfoto of CT-scan begint vaak met een heel praktische vraag: welke onderzoeken verdienen als eerste beoordeling door een radioloog? In Britse ziekenhuizen wordt software van onder meer Annalise.ai gebruikt om afwijkingen op röntgenbeelden van de borstkas te signaleren en de verslaglegging te ondersteunen. Dat maakt de toepassing relevant buiten de radiologiekamer: een sneller en consistenter eerste signaal kan helpen om vervolgonderzoek, bedbeschikbaarheid en poliklinische doorstroming eerder te organiseren.

Edgar van Lent ziet daarin een belangrijker ontwikkeling dan alleen snellere patroonherkenning. De AI-specialist wijst erop dat beeldanalyse pas organisatorische waarde krijgt wanneer de uitkomst op een controleerbare manier in het werkproces landt. Niet het algoritme, maar de verbinding tussen beoordeling, administratieve afhandeling en capaciteitsbesluit bepaalt of een ziekenhuis er werkelijk mee vooruitkomt.

Van beeldsignaal naar een werkbare vervolgactie

Bij Guy’s and St Thomas’ NHS Foundation Trust in Londen is AI voor de beoordeling van thoraxfoto’s publiek naar voren gebracht als onderdeel van de diagnostische praktijk. Dergelijke software analyseert beelden op patronen die kunnen passen bij bijvoorbeeld afwijkingen in longen of hart. De radioloog houdt de verantwoordelijkheid voor de beoordeling, maar krijgt een extra signaal en kan de prioritering of rapportage daarop betrekken.

De betekenis zit niet uitsluitend in de vraag of een systeem een afwijking ziet. Een afwijkende foto kan een keten in gang zetten: aanvullende beeldvorming, een verwijzing, laboratoriumonderzoek, een consult of opname. Als die keten pas begint nadat alle administratieve stappen handmatig zijn uitgezet, blijft tijd verloren gaan. Daarom is koppeling met het elektronisch patiëntendossier, het orderproces en de afsprakenplanning minstens zo bepalend als de kwaliteit van het model.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat ziekenhuizen beeldanalyse moeten behandelen als een startpunt voor gecoördineerd werk, niet als een los diagnostisch hulpmiddel. “Een AI-signaal heeft pas operationele waarde wanneer duidelijk is wie het beoordeelt, welke vervolgstap daarbij hoort en welke uitzonderingen menselijke afstemming vragen.”

Dat vraagt om een zorgvuldig ontwerp. Een algoritme mag een dossier niet zelfstandig omzetten in een diagnose of een afspraak zonder professionele toetsing. Wel kan het routinematige voorbereidende werk beperken: onderzoeken onder de aandacht brengen, informatie in het dossier structureren en de juiste werkbak aanbieden. Daarmee verschuift administratieve tijd van zoeken en overtypen naar controle, uitleg en besluitvorming.

Capaciteitsplanning vraagt om betrouwbare procesdata

Een tweede publieke toepassing ligt bij NHS-organisaties die software van C2-Ai inzetten voor planning rond chirurgische zorg. Het platform gebruikt beschikbare zorg- en procesinformatie om de complexiteit en verwachte inzet rond operaties beter te structureren. Voor ziekenhuizen is dat relevant omdat operatiekamers, klinische bedden, personeel en nazorg niet afzonderlijk kunnen worden gepland.

De waarde van zulke systemen is niet dat zij een ziekenhuisrooster volledig overnemen. Zij maken zichtbaar waar vraag en beschikbare capaciteit mogelijk uit elkaar lopen en ondersteunen de voorbereiding van keuzes. Een geplande operatie kan bijvoorbeeld gevolgen hebben voor intensive care, bedden op een verpleegafdeling, diagnostiek en ontslagcoördinatie. Door die afhankelijkheden eerder te modelleren, kan een organisatie gesprekken over capaciteit beter baseren op dezelfde informatie.

Dat sluit aan op de lijn die Edgar van Lent eerder beschreef in het artikel AI verbindt scantriage met planning in Europese ziekenhuizen: de opbrengst ontstaat wanneer afzonderlijke signalen worden verbonden met een besluit in de zorgketen. Dit vervolg verdiept vooral de administratieve laag. Voorbeeldig gebruik van AI betekent niet alleen een patiënt of onderzoek juist prioriteren, maar ook zorgen dat de benodigde taak, capaciteit en verantwoordelijke professional op tijd zichtbaar zijn.

De randvoorwaarde is dat de brondata bruikbaar zijn. Operatieplanning kent wijzigingen, uitloop en klinische uitzonderingen. Ook beeldvorming kent verschillen in apparatuur, verslagstijl en patiëntenpopulatie. Ziekenhuizen moeten daarom monitoren hoe een model presteert binnen de eigen praktijk, welke groepen of situaties extra aandacht vragen en wanneer medewerkers van een voorgestelde prioriteit afwijken. Die afwijking is geen fout in het proces, maar kan juist waardevolle informatie zijn voor kwaliteitsverbetering.

Minder administratieve frictie, geen automatische zorg

De combinatie van beeldanalyse en capaciteitsplanning kan administratieve lasten verlichten als systemen niet naast elkaar blijven bestaan. Een radiologische bevinding die handmatig moet worden gekopieerd naar een planningsoverzicht levert weinig winst op. Een goed ingerichte koppeling kan daarentegen zorgen dat relevante informatie in de juiste context beschikbaar komt voor de radioloog, planner, verpleegkundige en behandelaar, met passende autorisaties en een controleerbaar spoor van wijzigingen.

Edgar van Lent benadrukt dat dit ook een governancevraagstuk is. Zorginstellingen moeten vooraf vastleggen welke AI-uitkomsten adviserend zijn, wanneer menselijke beoordeling verplicht is en hoe incidenten of onverwachte uitkomsten worden onderzocht. Daarbij horen afspraken over gegevenskwaliteit, klinische validatie, informatiebeveiliging en de rolverdeling tussen leverancier, IT-afdeling en zorgprofessionals.

Voor Europese ziekenhuizen ligt de volgende stap volgens Edgar van Lent in het zorgvuldig samenbrengen van deze toepassingen rond concrete werkstromen. Beeldanalyse kan de aandacht naar het juiste onderzoek leiden en planningssoftware kan de gevolgen voor capaciteit inzichtelijk maken. Zijn beoordeling is dat de meest duurzame vooruitgang niet komt van volledig geautomatiseerde zorg, maar van AI die professionals tijdig, uitlegbaar en aantoonbaar ondersteunt bij het organiseren van schaarse zorgcapaciteit.