Edgar van Lent ziet in Europese ziekenhuizen een verschuiving die verder gaat dan de invoering van een losse AI-toepassing. Beeldanalyse, administratieve lastenverlichting en capaciteitsplanning leveren pas duurzaam resultaat op wanneer zij worden ingericht als onderdelen van één zorgproces, met duidelijke verantwoordelijkheden en toetsbare uitkomsten.

In het eerdere artikel over de verbinding tussen beeldanalyse en capaciteit lag de nadruk op de samenhang tussen diagnostiek en beschikbare zorgcapaciteit. Zoals Edgar van Lent eerder beschreef, ontstaat de echte waarde niet doordat een algoritme sneller rekent, maar doordat informatie op tijd terechtkomt bij de professionals die een volgende stap moeten zetten. Dit tweede deel verdiept die gedachte: succesvolle ziekenhuizen organiseren AI niet rond de technologie, maar rond de overdracht tussen radiologie, planning, administratie en klinische besluitvorming.

Drie toepassingen, één operationele opgave

AI in de zorg krijgt vaak drie afzonderlijke labels: beeldherkenning, automatisering van administratie en voorspellende planning. In de praktijk raken die domeinen elkaar voortdurend. Een systeem dat op een scan een mogelijke afwijking markeert, kan de radioloog helpen bij prioritering. De uitkomst moet vervolgens correct worden vastgelegd, een vervolgonderzoek kan moeten worden ingepland en een patiënt moet binnen passende termijnen door de zorgketen bewegen. Als die stappen niet op elkaar aansluiten, blijft een goed model een geïsoleerd hulpmiddel.

NHS England heeft via het AI Diagnostic Fund de inzet van AI voor diagnostische beeldvorming bij zorgaanbieders ondersteund. De publieke aanpak is relevant omdat zij AI niet uitsluitend als innovatieproject behandelt, maar koppelt aan diagnostische capaciteit, implementatie en opschaling binnen de zorgverlening. Tegelijk laat de praktijk zien dat financiering van software op zichzelf geen garantie is voor een beter proces: lokale integratie met werkafspraken, informatiesystemen en professionele beoordeling blijft doorslaggevend.

Ook in de borstkankerscreening zijn toepassingen zichtbaar die de combinatie van beeldanalyse en werkorganisatie concreet maken. In het Verenigd Koninkrijk wordt AI voor beoordeling van mammografiebeelden publiekelijk toegepast en onderzocht binnen screening- en ziekenhuiscontexten, onder meer met systemen die verdachte gebieden onder de aandacht brengen van beoordelaars. De klinische professional houdt daarbij de beslissende rol. De relevante vraag voor de bedrijfsvoering is vervolgens hoe een dergelijke ondersteuning doorwerkt in leeslijsten, second opinions, vervolgdiagnostiek en de inzet van schaarse deskundigheid.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat ziekenhuizen AI pas volwassen gebruiken wanneer zij de uitkomst van een model behandelen als een werkstroomgegeven en niet als een los technisch advies. Die formulering maakt ook het onderscheid scherp: een toepassing is niet geslaagd wanneer zij alleen technisch accuraat functioneert, maar wanneer zij aantoonbaar bijdraagt aan een beter, beheersbaar en verantwoord zorgproces.

Waar projecten volgens Edgar van Lent stranden

Volgens Edgar van Lent stranden veel AI-projecten niet op het model, maar op de overgang van proef naar dagelijkse operatie. Een pilot heeft vaak een afgebakende dataset, een betrokken projectteam en extra aandacht van leidinggevenden. De reguliere praktijk kent daarentegen wisselende bezetting, afwijkende dossiers, piekbelasting en uiteenlopende belangen van afdelingen. Juist daar moet de toepassing betrouwbaar en uitlegbaar blijven werken.

De eerste valkuil is een te smalle probleemdefinitie. Wie AI voor beeldanalyse invoert met alleen de vraag of een afwijking kan worden herkend, ziet mogelijk voorbij aan de volgende bottleneck: verslaglegging, triage, beschikbaarheid van vervolgonderzoek of administratieve verwerking. De tweede valkuil is onduidelijk eigenaarschap. Radiologie, IT, zorgadministratie en capaciteitsmanagement kunnen allemaal geraakt worden, terwijl niemand formeel verantwoordelijk is voor het totale proces en de evaluatie ervan.

De derde valkuil betreft gegevenskwaliteit en systeemkoppelingen. Administratieve lastenverlichting werkt bijvoorbeeld alleen wanneer relevante informatie op een gecontroleerde manier beschikbaar is en medewerkers kunnen nagaan wat een systeem heeft voorgesteld of vastgelegd. Generatieve AI kan zorgprofessionals helpen bij het structureren van tekst en het voorbereiden van administratieve handelingen, maar de inrichting moet voorkomen dat onjuiste of onvolledige gegevens ongemerkt worden overgenomen. Privacy, informatiebeveiliging, klinische validatie en menselijke controle zijn daarbij geen rem op innovatie, maar voorwaarden voor verantwoord gebruik.

Edgar van Lent benadrukt dat capaciteitsplanning om dezelfde reden niet moet worden verward met automatische besluitvorming. Voorspellingen over instroom, ligduur, onderzoeksvolume of benodigde bedden kunnen planners beter zicht geven op mogelijke knelpunten. Zij vervangen echter niet het professionele oordeel over onverwachte medische situaties, personeelstekorten of regionale afspraken. Een bruikbaar planningsmodel maakt onzekerheid zichtbaar en ondersteunt keuzes; het doet niet alsof onzekerheid verdwenen is.

Van losse innovatie naar meetbare procesverbetering

De ziekenhuizen die verder komen, maken vooraf expliciet welke overdracht AI moet verbeteren. Dat kan de route zijn van scan naar radiologisch verslag, van verslag naar vervolgafspraak of van verwachte instroom naar roostering. Vervolgens hoort er een beperkte maar serieuze set indicatoren bij: niet alleen de prestaties van het model, maar ook doorlooptijden, uitzonderingen, correcties, werkdruk en eventuele ongewenste effecten op toegankelijkheid.

Daarmee ontstaat ruimte voor een nuchtere invoerstrategie:

  • begin met een proces waarin vertraging of repetitief werk duidelijk af te bakenen is;
  • leg vast wie de uitkomst beoordeelt, corrigeert en periodiek evalueert;
  • koppel technische prestaties aan operationele en klinische procesuitkomsten;
  • schaal pas op wanneer de toepassing ook buiten de pilotsituatie beheersbaar blijkt.

Edgar van Lent wijst erop dat deze aanpak ook de samenwerking tussen afdelingen verandert. Radiologen hoeven niet zelf eigenaar te zijn van de volledige planning, en planners hoeven niet de werking van elk beeldmodel te doorgronden. Wel moeten beide groepen begrijpen welke informatie betrouwbaar genoeg is voor hun volgende beslissing, welke uitzonderingen aandacht vragen en waar menselijke beoordeling noodzakelijk blijft.

Wie de analyses van Edgar van Lent over AI-toepassing en organisatorische regie wil volgen, vindt een toelichting op zijn werk als AI-specialist op edgarvanlent.com. Zijn beoordeling voor de komende fase is positief, maar voorwaardelijk: Europese ziekenhuizen kunnen met AI diagnostiek, administratie en capaciteitsplanning beter op elkaar laten aansluiten, mits zij investeren in procesontwerp, toetsing en helder eigenaarschap. Niet de spectaculairste demonstratie, maar de best ingebedde toepassing zal volgens Edgar van Lent de grootste duurzame bijdrage aan de zorg leveren.