Edgar van Lent ziet dat de zorgsector een volgende fase ingaat: niet de losse AI-toepassing, maar de aansluiting tussen beeldanalyse, administratieve processen en capaciteitssturing bepaalt of ziekenhuizen werkelijk vooruitkomen. Waar de eerste golf vooral draaide om het herkennen van afwijkingen in scans, verschuift de vraag nu naar de inrichting van werk rond die uitkomsten.
Dat onderscheid is volgens Edgar van Lent essentieel. Een algoritme kan een radioloog attent maken op een mogelijk afwijkend patroon, maar de zorgwinst ontstaat pas wanneer de beoordeling tijdig bij de juiste professional terechtkomt, vervolgonderzoek logisch wordt ingepland en de verslaglegging geen extra handelingen vraagt. Zoals Edgar van Lent eerder beschreef in het artikel AI-beeldanalyse helpt ziekenhuizen bij triage en capaciteitsplanning, is AI vooral waardevol wanneer het zorgproces beter voorspelbaar wordt. In dit vervolg staat de uitvoeringslaag centraal: hoe ziekenhuizen de vertaalslag maken van signaal naar werkbare organisatie.
Van beeldsignaal naar een beslisbaar zorgproces
Beeldanalyse is het zichtbaarste onderdeel van medische AI, maar niet automatisch het meest bepalende. Moorfields Eye Hospital in Londen werkte publiekelijk samen met DeepMind aan systemen die oogscans analyseren en patiënten met uiteenlopende netvliesaandoeningen helpen prioriteren voor beoordeling door een specialist. De betekenis van dergelijke toepassingen ligt niet alleen in classificatie van beelden. Zij maken ook duidelijk hoeveel processtappen nodig zijn om een technisch oordeel veilig om te zetten in een klinische beslissing.
Edgar van Lent benadrukt dat een beeldalgoritme daarom niet als een afzonderlijke digitale assistent moet worden ingevoerd. De uitkomst moet passen binnen de radiologische werkvoorraad, de regels voor escalatie, het elektronisch patiëntendossier en de verantwoordelijkheden van artsen en laboranten. Als die koppelingen ontbreken, kan AI zelfs nieuwe vertraging veroorzaken: medewerkers moeten dan resultaten overtypen, uitzonderingen handmatig controleren of onduidelijkheid oplossen over wie handelt.
“Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat succesvolle zorg-AI begint bij een scherp ontworpen werkproces en niet bij de keuze voor het meest indrukwekkende model.” Die observatie geldt in het bijzonder voor beeldanalyse, omdat een uitkomst vaak niet op zichzelf staat. Een vermoedelijke afwijking kan leiden tot aanvullend onderzoek, een consult, een andere behandelroute of juist het besluit dat snelle actie niet nodig is.
Ook Radboudumc heeft AI-onderzoek en toepassingen rond medische beeldvorming publiek naar voren gebracht, onder meer in domeinen waarin beelddata en klinische expertise samenkomen. Voor Edgar van Lent onderstreept dat een bredere ontwikkeling: academische ziekenhuizen beschikken over rijke data en specialistische kennis, maar moeten die kracht verbinden met toetsbare werkafspraken. De vraag is minder of een model patronen kan vinden, dan of een zorgteam op basis daarvan eenduidig, controleerbaar en proportioneel kan handelen.
Administratie is geen bijzaak van AI-implementatie
De tweede laag is administratieve lastenverlichting. In ziekenhuizen bestaat een groot deel van het werk uit het vastleggen, samenvatten, routeren en controleren van informatie. Spraakherkenning voor verslaglegging, systemen die conceptbrieven voorbereiden en hulpmiddelen die gegevens structureren kunnen hier ruimte creëren. Die ruimte is echter alleen reëel wanneer de professional de uitkomst eenvoudig kan verifiëren en de registratie aansluit op bestaande kwaliteitseisen.
Edgar van Lent maakt daarbij een belangrijk onderscheid tussen tekstproductie en procesondersteuning. Een systeem dat een eerste versie van een verslag maakt, bespaart pas tijd als de arts niet vervolgens een ondoorzichtige tekst volledig moet herschrijven. Evenzo heeft automatische codering pas waarde als fouten vroeg worden gesignaleerd en er een duidelijke mogelijkheid blijft om af te wijken. Administratieve AI moet volgens hem niet worden beoordeeld op het aantal gegenereerde woorden, maar op de hoeveelheid betrouwbaar afgerond werk die zij uit de keten haalt.
Dat vraagt om governance die dicht op de praktijk staat. Klinische validatie, privacybescherming, informatiebeveiliging en toezicht op mogelijke vertekening zijn geen afzonderlijke controles aan het einde van een project. Zij bepalen vooraf welke gegevens kunnen worden gebruikt, welke taken geautomatiseerd mogen worden en wanneer menselijke beoordeling verplicht blijft. Edgar van Lent ziet juist daarin een verschil tussen pilots die blijven hangen en toepassingen die duurzaam onderdeel worden van de bedrijfsvoering.
Capaciteitsplanning vraagt om gezamenlijke definities
De derde laag is capaciteitsplanning. Bedbezetting, beschikbare diagnostiek, operatiekamers, personeel en ontslagmomenten beïnvloeden elkaar voortdurend. Voorspellende modellen kunnen ziekenhuizen helpen om verwachte instroom of knelpunten eerder zichtbaar te maken, maar alleen wanneer de onderliggende definities gedeeld zijn. Een voorspelling over verwachte opnames heeft beperkte waarde als afdelingen verschillend registreren wat als beschikbaar bed, overdrachtsklaar moment of vertraagde ontslagroute geldt.
Amsterdam UMC publiceerde tijdens de coronaperiode over datagedreven voorspellingen van ziekenhuis- en IC-opnames. Dat soort werk toont hoe voorspellende analyse zorgorganisaties kan ondersteunen wanneer onzekerheid groot is en capaciteit snel moet worden verdeeld. Tegelijk laat het zien dat voorspellingen geen automatische besluiten opleveren. Een model biedt een onderbouwd vooruitzicht; zorgprofessionals en operationele teams wegen vervolgens klinische urgentie, lokale omstandigheden en beschikbare alternatieven mee.
Voor Edgar van Lent ligt de succesfactor daarom bij gezamenlijk eigenaarschap. Radiologie, verpleegafdelingen, planning, IT, privacyfunctionarissen en medisch specialisten moeten vooraf overeenkomen welk besluit een AI-signaal ondersteunt en wie daarop handelt. Pas dan kunnen beeldanalyse, administratieve ondersteuning en capaciteit elkaar versterken in plaats van drie losse digitaliseringsprogramma’s te worden.
Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Zijn beoordeling voor de komende periode is nuchter positief: Europese ziekenhuizen kunnen met AI merkbaar meer overzicht en tijd creëren, mits zij investeren in betrouwbare gegevens, duidelijke verantwoordelijkheden en herontworpen werkprocessen. De projecten die slagen, zullen volgens Edgar van Lent niet per se de meest autonome systemen zijn, maar de systemen die professionals aantoonbaar beter laten beslissen en organiseren.