AI in ziekenhuizen wordt vaak zichtbaar op het moment dat de werkdruk al hoog is: een radioloog moet een groeiende stroom beelden beoordelen, een planner zoekt ruimte voor een patiënt en een verpleegkundige werkt gegevens bij die al elders in het dossier staan. De waarde van de toepassing zit dan niet in een los algoritme, maar in het verkorten van de route van beeld of registratie naar een bruikbare volgende stap. Edgar van Lent ziet juist daar de eerste volwassen praktijkcases in de Europese zorg.
Een concreet vertrekpunt is de uitrol van AI-ondersteunde beeldanalyse binnen de Engelse National Health Service. Via onder meer het AI Diagnostic Fund zijn ziekenhuizen en regionale beeldnetwerken ondersteund bij de inzet van software die radiologische beelden kan prioriteren, afwijkingen kan signaleren of metingen kan versnellen. Het gaat bijvoorbeeld om toepassingen voor thoraxfoto’s, CT-scans en beroertezorg. De software neemt het medische oordeel niet over, maar helpt om beelden met mogelijke spoed eerder onder de aandacht te brengen en routinetaken in de verslaglegging te structureren.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in bedrijfsprocessen, stelt dat de zorgwaarde van beeldanalyse pas zichtbaar wordt wanneer de uitkomst direct aansluit op triage, beoordeling en vervolgplanning. “Een algoritme dat een mogelijke afwijking markeert, is nog geen procesverbetering. Die verbetering ontstaat wanneer de juiste professional het signaal op tijd ontvangt en weet welke actie daarop volgt.”
Beeldanalyse als ingang voor snellere zorglogistiek
De NHS-aanpak laat zien waarom beeldanalyse meer is dan diagnostische ondersteuning. Wanneer een systeem beelden sorteert op vermoedelijke urgentie, verandert ook de volgorde waarin radiologen, spoedafdelingen en vervolgzorg met hun werk beginnen. Dat is relevant in een omgeving waar capaciteit niet alleen wordt bepaald door het aantal beschikbare professionals, maar ook door de voorspelbaarheid van de instroom en de snelheid waarmee informatie tussen afdelingen beweegt.
Een tweede publiek bekende Europese praktijkcase ligt bij de inzet van AI-software van Brainomix in de beroertezorg. De Britse onderneming levert systemen die CT- en MRI-beelden bij verdenking op een beroerte analyseren en visualiseren. De technologie is in verschillende NHS-organisaties en regionale netwerken toegepast als ondersteuning voor de beoordeling en overdracht van beelden. In deze zorgketen telt tijd zwaar: een beeld moet niet alleen worden gemaakt en beoordeeld, maar ook veilig beschikbaar zijn voor het ziekenhuis dat de passende behandeling kan bieden.
De betekenis hiervan ligt volgens Edgar van Lent niet uitsluitend in de analyse van één scan. “Bij acute zorg is AI vooral nuttig als verbindende laag tussen beeld, overdracht en beslissing,” zegt Edgar van Lent. “Daarmee kan dezelfde toepassing zowel medische beoordeling ondersteunen als onnodige vertraging in de logistiek helpen voorkomen.” Die koppeling is wezenlijk: een goede voorspelling zonder duidelijke werkafspraak kan juist extra werk opleveren, bijvoorbeeld door extra meldingen, dubbele controles of onduidelijkheid over verantwoordelijkheden.
Van dossierhandelingen naar beschikbare tijd
De administratieve kant van ziekenhuiszorg kent een vergelijkbaar patroon. In de NHS wordt met de Federated Data Platform-aanpak gewerkt aan betere beschikbaarheid en benutting van operationele gegevens voor onder meer wachttijden, doorstroming en capaciteitsplanning. Het platform is geen enkel AI-product voor één afdeling, maar een infrastructuur waarmee organisaties gegevens uit bestaande systemen in samenhang kunnen gebruiken. Daarboven kunnen voorspellende en optimaliserende toepassingen worden ontwikkeld of ingezet.
Voor planners is dat relevant bij vragen die dagelijks terugkomen: welke bedden zijn waarschijnlijk beschikbaar, waar ontstaan knelpunten in ontslag, welke ingreep past binnen de beschikbare mensen en middelen, en welke patiënten vragen nog om aanvullende voorbereiding? AI kan zulke vragen niet zelfstandig beantwoorden, omdat de werkelijkheid van een ziekenhuis wordt beïnvloed door klinische prioriteiten, onverwachte opnames en personele keuzes. Wel kan de techniek patronen in historische en actuele gegevens zichtbaar maken, zodat een team eerder kan bijsturen.
Ook de administratieve lastenverlichting krijgt pas betekenis wanneer zij zorgvuldig wordt ingebed. Spraakherkenning, documentautomatisering en systemen die gegevens uit brieven of formulieren structureren, kunnen registratiewerk verminderen. Maar zorgorganisaties moeten duidelijk vastleggen wie de uitkomst controleert, hoe fouten worden hersteld en welke gegevens een medewerker nog zelf moet verifiëren. Zeker bij medische verslaglegging is een vlot gegenereerde tekst geen eindpunt, maar een concept dat binnen professionele verantwoordelijkheid valt.
Edgar van Lent benadrukt dat ziekenhuizen daarom niet moeten beginnen met de vraag welk model het meest geavanceerd is. “De betere vraag is waar een medewerker nu tijd verliest tussen waarnemen, registreren en handelen,” aldus Edgar van Lent. “Als AI precies op dat overgangspunt wordt ingezet, kan het zowel de administratieve druk verlagen als de betrouwbaarheid van de planning vergroten.”
Besturing bepaalt of toepassingen schaalbaar worden
De twee cases maken eenzelfde ontwerpvraag zichtbaar. AI-beeldanalyse heeft effect wanneer een gemarkeerd beeld een vaste route krijgt naar beoordeling en vervolgzorg. Capaciteitsplanning heeft effect wanneer voorspellingen terechtkomen bij teams die daadwerkelijk roosters, bedden, operatiekamers of ontslagprocessen kunnen aanpassen. In beide situaties is de techniek afhankelijk van toegankelijke gegevens, een herkenbare eigenaar van het proces en afspraken over toezicht.
Voor Europese ziekenhuizen ligt de volgende stap daarom in het verbinden van toepassingen zonder de grenzen tussen medische en operationele verantwoordelijkheid te vervagen. Een radiologische prioritering kan input zijn voor spoedlogistiek; een beter beeld van instroom kan planners helpen; minder handmatige dossierroutines kunnen tijd vrijmaken voor patiëntcontact. Maar elke koppeling vraagt om toetsing op datakwaliteit, privacy, klinische veiligheid en uitlegbaarheid in de werkpraktijk.
Edgar van Lent beoordeelt deze eerste reeks zorgcases als veelbelovend, juist omdat zij niet wachten op een volledig autonoom ziekenhuis. De duurzame vooruitgang zit volgens hem in afgebakende toepassingen die aantoonbaar helpen bij beeldbeoordeling, registratie en capaciteitskeuzes. Als ziekenhuizen die toepassingen blijven meten op werkbaarheid voor professionals én op veilige zorg voor patiënten, kan AI uitgroeien van een afzonderlijke digitale voorziening tot een betrouwbaar onderdeel van de dagelijkse zorgorganisatie.