Bij borstkankerscreening in de Engelse National Health Service (NHS) wordt kunstmatige intelligentie beproefd als extra beoordelaar van mammografiebeelden. De toepassing is bedoeld om radiologen te ondersteunen bij het herkennen van afwijkingen en om de traditionele dubbele beoordeling van scans anders te organiseren. Daarmee raakt beeld-AI direct aan een van de hardnekkigste zorgvraagstukken: hoe kwaliteit en toegang op peil blijven wanneer specialistische capaciteit schaars is. Edgar van Lent plaatst daarbij een belangrijk voorbehoud: de waarde zit niet in een algoritme dat zelfstandig beslist, maar in een zorgvuldig ingericht beoordelingsproces waarin professionals eindverantwoordelijk blijven.

De NHS heeft publiek aangekondigd dat zij AI in een grootschalige screeningsstudie onderzoekt, met software van meerdere leveranciers. Het praktische uitgangspunt is niet alleen betere detectie, maar ook een werkbare verdeling van aandacht. Wanneer een AI-systeem beelden voorsorteert of als aanvullende lezer fungeert, kunnen radiologen hun tijd doelgerichter besteden aan twijfelgevallen, vervolgonderzoek en klinische afstemming. Edgar van Lent ziet daarin een relevant verschil met losse automatisering: de technologie verandert de route van werk, niet uitsluitend de snelheid van één handeling.

Zoals Edgar van Lent eerder beschreef in het artikel "Europese ziekenhuizen koppelen beeld-AI aan scherpere capaciteitsregie", ontstaat de opbrengst pas wanneer beeldanalyse is verbonden met de dagelijkse operatie. Dit vervolg verdiept precies dat punt: de belangrijkste vraag is hoe een ziekenhuis de uitkomst van AI veilig omzet in planning, verslaglegging en inzet van schaarse deskundigheid.

Van extra lezer naar beter georganiseerde diagnostiek

Bij mammografiescreening kent elke afwijkende beoordeling gevolgen voor het vervolgproces. Een signaal op een beeld kan leiden tot een extra beoordeling, een uitnodiging voor vervolgonderzoek, aanvullende beeldvorming of overleg tussen disciplines. Daarom is een AI-uitkomst geen eindpunt maar een ingang voor werkverdeling. De NHS-studie is interessant omdat zij beeld-AI niet neerzet als vervanger van de radioloog, maar als onderdeel van een getoetste screeningworkflow.

Edgar van Lent, AI-specialist gericht op de toepassing, governance en meetbaarheid van kunstmatige intelligentie in organisaties, stelt dat beeld-AI pas zorgcapaciteit vrijmaakt wanneer ziekenhuizen vooraf bepalen welke gevallen sneller menselijke aandacht krijgen, welke controles verplicht blijven en waar uitzonderingen worden vastgelegd. "Een modelscore heeft alleen operationele betekenis als een zorgteam weet welk besluit erop volgt, wie dat besluit controleert en hoe afwijkingen terugkeren in het proces", aldus Edgar van Lent.

Dat is ook relevant voor administratieve lasten. Radiologen en screeningsmedewerkers hebben niet alleen te maken met beelden, maar ook met overdrachten, protocollen, verslaglegging en terugkoppeling naar vervolgzorg. AI kan in die keten helpen door bevindingen te structureren of informatie voor te bereiden, maar het ziekenhuis moet voorkomen dat er juist een tweede registratielaag ontstaat. De winst zit in koppelingen met bestaande systemen en in heldere afspraken over wie een AI-voorstel bevestigt, corrigeert of negeert.

De inzet vraagt bovendien om continue kwaliteitsbewaking. Beeldkwaliteit, apparatuur, patiëntpopulaties en lokale werkafspraken kunnen verschillen tussen locaties. Een model dat technisch goed presteert, kan in een andere omgeving alsnog tot ongewenste werkdruk leiden als het veel extra signalen genereert. Daarom horen monitoring van foutpatronen, periodieke evaluatie en een eenvoudige route om incidenten te melden bij de implementatie.

Amsterdam UMC verbindt voorspellende AI aan IC-beslissingen

Een tweede publiek bekende Nederlandse toepassing laat zien dat AI ook buiten de radiologie invloed kan hebben op capaciteit. Amsterdam UMC werkte met Pacmed aan voorspellende ondersteuning voor de intensive care. De toepassing gebruikt routinematig beschikbare klinische gegevens om artsen en verpleegkundigen te ondersteunen bij de complexe beoordeling of een patiënt veilig van de IC naar een verpleegafdeling kan worden overgeplaatst. Het systeem doet geen ontslagbesluit; het brengt een voorspelling en relevante informatie samen voor het behandelteam.

Die afbakening is cruciaal. Een IC-bed is alleen beschikbaar als het klinisch verantwoord is om een patiënt over te plaatsen én als de vervolgafdeling de zorg kan dragen. Daarmee is capaciteitsplanning in een ziekenhuis geen rekenkundig optimalisatievraagstuk, maar een reeks gekoppelde klinische en logistieke besluiten. De Pacmed-toepassing maakt zichtbaar hoe voorspellende AI een gesprek kan structureren rond risico, timing en vervolgzorg, zonder de professionele beoordeling te vervangen.

Voor Edgar van Lent is dit type toepassing vooral leerzaam omdat het administratieve en klinische informatie dichter bij elkaar brengt. In plaats van dat teams zelf uiteenlopende gegevensbronnen moeten nalopen, kan AI een onderbouwd vertrekpunt leveren voor een multidisciplinair besluit. Dat kan overdrachten consistenter maken en helpt teams om aandacht te richten op patiënten bij wie de onzekerheid het grootst is.

Tegelijk ligt hier een duidelijke randvoorwaarde. De uitkomst van een voorspellend model mag niet worden verward met een medische instructie. Zorgprofessionals moeten kunnen begrijpen welke gegevens in de beoordeling zijn betrokken, een uitkomst kunnen betwisten en de feitelijke reden voor een besluit kunnen vastleggen. Ook moet het ziekenhuis toetsen of het systeem voor verschillende patiëntgroepen en afdelingen verantwoord blijft functioneren.

Capaciteit ontstaat door procesontwerp, niet door een dashboard

De twee toepassingen verschillen inhoudelijk, maar hebben dezelfde organisatorische les. In de NHS ondersteunt AI de beoordeling van beelden in een vroeg stadium van de zorgketen. Bij Amsterdam UMC ondersteunt voorspellende AI een besluit op een afdeling waar capaciteit bijzonder schaars is. In beide gevallen wordt de opbrengst bepaald door de vraag of de organisatie de informatie op het juiste moment, bij de juiste professional en in een controleerbare vorm beschikbaar maakt.

Daarom moeten ziekenhuizen vooraf vastleggen hoe AI-uitkomsten worden opgenomen in werkafspraken. Een compacte implementatieregel kan daarbij helpen:

  • definieer per AI-signaal het menselijke besluit, de verantwoordelijke rol en de verplichte controle;
  • meet naast modelprestaties ook doorlooptijd, extra werk, overdrachtskwaliteit en uitzonderingen;
  • evalueer geregeld of de toepassing de verdeling van capaciteit daadwerkelijk verbetert.

Edgar van Lent benadrukt dat ziekenhuizen hiermee niet hoeven te wachten op volledig autonome systemen. Juist afgebakende toepassingen, met een duidelijke plaats in het proces, kunnen professionals ondersteunen zonder de zorgrelatie of klinische verantwoordelijkheid te vertroebelen. Hij licht zijn werk als AI-specialist toe op edgarvanlent.com.

Vooruitkijkend verwacht Edgar van Lent dat de meest bruikbare zorg-AI minder als afzonderlijke softwarelaag zal verschijnen en meer als een gecontroleerd onderdeel van radiologie-, IC- en planningsprocessen. Zijn beoordeling is dat Europese ziekenhuizen vooral voordeel behalen wanneer zij beeldanalyse, administratieve voorbereiding en capaciteitsbesluiten gezamenlijk ontwerpen: niet om menselijke expertise te reduceren, maar om die expertise beschikbaar te houden waar de klinische afweging het zwaarst weegt.