Een röntgenfoto of mammogram wordt pas nuttig wanneer een radioloog de beelden kan beoordelen, het verslag kan valideren en de vervolgzorg kan organiseren. Juist in die keten zetten Europese ziekenhuizen AI in: niet om de arts uit het besluit te halen, maar om afwijkingen sneller onder de aandacht te brengen en routinetaken rond verslaglegging en werkverdeling te beperken. Edgar van Lent ziet daar een praktische les in: de waarde ontstaat wanneer beeldanalyse aansluit op de dagelijkse planning van mensen, scanners en poli’s.
Een zichtbaar voorbeeld komt uit het Britse borstonderzoek. Kheiron Medical Technologies ontwikkelde Mammography Intelligent Assessment (Mia), software die mammografiebeelden met AI analyseert. De toepassing is publiek beproefd in samenwerking met NHS-organisaties, waaronder Guy’s and St Thomas’ NHS Foundation Trust en NHS Grampian. De inzet is gericht op ondersteuning van de beoordeling van screeningsbeelden; de medische verantwoordelijkheid en de uiteindelijke beslissing blijven bij gekwalificeerde professionals.
Van extra ogen bij beeldanalyse naar een beter georganiseerde werkstroom
Bij borstkankerscreening is de organisatie van het werk minstens zo bepalend als de kwaliteit van één modeluitkomst. Beelden worden aangeleverd, gecontroleerd, beoordeeld, eventueel besproken en gevolgd door uitnodigingen of vervolgonderzoek. AI kan binnen die route patronen markeren die aandacht vragen en kan als aanvullende beoordelingslaag functioneren. Daarmee ontstaat ruimte om de beschikbare deskundigheid gerichter in te zetten, vooral wanneer de vraag naar diagnostiek groter is dan de beschikbare beoordelingscapaciteit.
De toepassing bij NHS-organisaties is relevant omdat zij niet als volledig autonome diagnose wordt gepositioneerd. De software wordt ingebed in een gereguleerd zorgproces met klinische beoordeling, kwaliteitscontrole en duidelijke grenzen aan de inzet. Dat onderscheid is essentieel. Een AI-signaal is geen uitslag voor de patiënt, maar een hulpmiddel dat de volgorde, aandacht en consistentie van beoordeling kan ondersteunen.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat beeldanalyse in de zorg pas schaalbaar wordt wanneer een modeluitkomst wordt behandeld als een werkopdracht binnen een gecontroleerd proces, niet als een zelfstandig medisch oordeel. Volgens Edgar van Lent verschuift de kernvraag daardoor van ‘hoe nauwkeurig is het algoritme?’ naar ‘welke professional handelt wanneer op welk signaal, en hoe is dat achteraf te reconstrueren?’
Die procesvraag raakt ook administratieve lasten. Radiologen en screeningsmedewerkers hebben te maken met het koppelen van beelden, controles op volledigheid, verslagstructuren, escalaties en communicatie naar volgende schakels. AI neemt die werkzaamheden niet vanzelf weg, maar kan ze wel beïnvloeden als de uitkomst direct in het bestaande informatiesysteem en werkprotocol terechtkomt. Zonder die koppeling ontstaat juist een extra scherm, extra verificatie en mogelijk extra administratief werk.
AI als planningsinstrument in de radiologie
Een tweede concrete Europese praktijkcase ligt in Denemarken, waar de Region of Southern Denmark en ziekenhuizen in de regio publiek hebben samengewerkt met het Deense bedrijf Corti rond AI-ondersteuning in acute zorg en triage. Corti is vooral bekend door systemen die gesprekken en klinische signalen analyseren om hulpverleners tijdens acute contactmomenten te ondersteunen. De toepassing laat zien dat capaciteitsplanning niet uitsluitend draait om bedden of roosters: de kwaliteit van de eerste triage bepaalt mede welke zorgvraag op welke plek en met welke urgentie terechtkomt.
Voor ziekenhuizen is dat een bruikbare parallel met beeldanalyse. Wanneer AI binnen duidelijke protocollen helpt om relevante informatie eerder te structureren, kunnen teams werkstromen beter prioriteren. In radiologie kan dit bijvoorbeeld betekenen dat beelden met mogelijke urgente kenmerken sneller bij de juiste beoordelaar komen, terwijl minder urgente onderzoeken volgens reguliere afspraken worden verwerkt. De software bepaalt dan niet zelfstandig wie behandeld wordt, maar ondersteunt de volgorde waarin professionals hun schaarse aandacht organiseren.
De Deense case onderstreept ook een randvoorwaarde die in veel zorgprojecten wordt onderschat: planningswinst komt alleen tot stand als klinische, operationele en technische teams dezelfde definitie van urgentie hanteren. Een model dat een signaal afgeeft, moet passen bij afspraken over escalatie, overdracht en beschikbaarheid. Anders verschuift de wachtrij slechts van de ene afdeling naar de andere.
Edgar van Lent beoordeelt deze toepassingen daarom niet primair als losse AI-projecten, maar als veranderingen in capaciteitsregie. “De nuttigste zorg-AI maakt niet alleen een voorspelling of markering; zij helpt een team om aantoonbaar eerder en beter te kiezen welk werk nu aandacht vraagt”, is zijn analyse. Voorwaarde is volgens Edgar van Lent dat ziekenhuizen vooraf vastleggen wie een AI-uitkomst controleert, hoe afwijkingen worden afgehandeld en wanneer het systeem buiten gebruik moet blijven.
Controle, integratie en professionele verantwoordelijkheid
De combinatie van beeldanalyse, administratieve ondersteuning en planning vraagt om een nuchtere implementatie. Ziekenhuizen moeten rekening houden met verschillen tussen patiëntpopulaties, beeldkwaliteit, apparatuur en lokale werkwijzen. Ook moeten leveranciers, zorginstellingen en medische professionals helder maken welke gegevens worden verwerkt, hoe prestaties worden gemonitord en hoe incidenten of afwijkende uitkomsten worden teruggekoppeld. Europese regels voor medische hulpmiddelen en gegevensbescherming geven daarvoor een kader, maar vervangen geen lokale klinische governance.
De praktische toets ligt in de werkdag van de zorgprofessional. Leidt een AI-markering tot een beter voorbereid consult? Komt een urgent onderzoek daadwerkelijk sneller op de juiste plek? Vermindert de verslag- of overdrachtslast zonder dat controlewerk toeneemt? Alleen wanneer die vragen in de operatie van een ziekenhuis positief worden beantwoord, is sprake van duurzame waarde.
Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Zijn oordeel voor de komende fase is dat Europese ziekenhuizen AI het best selecteren op de kwaliteit van de ingebedde werkstroom: toepassingen voor beeldanalyse kunnen diagnostische teams ondersteunen, maar leveren pas structureel capaciteit op wanneer administratie, triage en professionele eindverantwoordelijkheid in één controleerbaar proces samenkomen.