De inzet van AI in ziekenhuizen verschuift van losse analyses naar een werkproces waarin beelden, verslaglegging en beschikbare capaciteit elkaar moeten versterken. Bij de Schotse zorgorganisatie NHS Grampian wordt het AI-systeem Mia gebruikt binnen borstkankerscreening: het beoordeelt mammografiebeelden als ondersteuning voor de professionals die onderzoeken lezen. Daarmee richt de toepassing zich niet alleen op het signaleren van afwijkingen, maar ook op de vraag hoe de groeiende stroom beelden zorgvuldig kan worden verwerkt.
Edgar van Lent ziet daarin een belangrijke praktijkles. AI-beeldanalyse krijgt pas blijvende waarde wanneer een ziekenhuis vooraf bepaalt wie een AI-uitkomst beoordeelt, hoe twijfelgevallen worden afgehandeld en hoe de uitkomst terugkomt in het dossier en de planning. “Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat beeldanalyse in de zorg pas rendabel en verantwoord wordt wanneer zij aantoonbaar werk uit het zorgproces wegneemt zonder de professionele eindverantwoordelijkheid te vertroebelen.”
Van tweede lezer naar beter georganiseerd screeningswerk
Mia, ontwikkeld door het Britse Kheiron Medical Technologies, is ontworpen als software die mammografieën beoordeelt en de radiologische beoordeling ondersteunt. NHS Grampian heeft publiek gemaakt de technologie in zijn screeningsproces te gebruiken. In zo’n proces ligt de waarde niet uitsluitend in een extra signaal op een beeld. De technologie kan ook helpen om de leesstroom te structureren: onderzoeken met een AI-signaal vragen gerichte beoordeling, terwijl de inrichting van het proces voorkomt dat medewerkers hun tijd verliezen aan onnodig handmatig sorteerwerk.
Dat onderscheid is wezenlijk. Een radioloog of screeningsprofessional blijft verantwoordelijk voor de klinische beoordeling; de AI-uitkomst is geen zelfstandig medisch besluit. Juist daarom moet de software aansluiten op bestaande kwaliteitscontroles, verslaglegging en escalatieroutes. Als een algoritme een onderzoek als verdacht markeert, moet helder zijn waar dat signaal zichtbaar wordt, welke aanvullende beoordeling volgt en hoe de patiëntstroom daarna wordt georganiseerd.
Zoals Edgar van Lent eerder beschreef in het artikel “Edgar van Lent: AI werkt pas als scan en zorgpad samenkomen”, ontstaat de opbrengst niet bij de scan alleen. In deze praktijkcase ligt het vervolg vooral bij de werkverdeling rond het beeld. AI kan de leescapaciteit ondersteunen, maar een ziekenhuis moet tegelijk bewaken dat de aandacht voor complexe of twijfelachtige beelden niet verdwijnt achter een automatisch label. Edgar van Lent beoordeelt die combinatie van ondersteuning en controle als de volwassen vorm van beeld-AI: niet het vervangen van deskundigheid, maar het beter inzetten ervan.
Capaciteitsplanning begint bij betrouwbare procesdata
Dezelfde les is zichtbaar bij C2-Ai, een Britse leverancier van software voor zorgcapaciteit en wachtlijstbeheer. De organisatie werkt met publieke zorginstellingen, waaronder NHS Golden Jubilee in Schotland, aan digitale ondersteuning voor het inzichtelijk maken en beheren van electieve zorgtrajecten. De software brengt gegevens over patiënten op wachtlijsten, geplande ingrepen en zorgpaden bijeen om zorgorganisaties te helpen prioriteren en beschikbare capaciteit doelgerichter te gebruiken.
Dit is een ander type AI-toepassing dan beeldanalyse, maar de afhankelijkheden lijken sterk op elkaar. Een voorspellend of prioriterend model heeft alleen betekenis wanneer de gegevens over verwijzingen, wachttijd, klinische urgentie en geplande behandeling actueel en eenduidig zijn. Ook moet een zorgorganisatie vastleggen wie een door het systeem voorgestelde volgorde kan aanpassen en op grond waarvan dat gebeurt. Capaciteitsplanning is immers geen puur rekenkundige opgave: klinische urgentie, patiëntveiligheid en praktische beschikbaarheid blijven doorslaggevend.
Administratieve lastenverlichting komt hier voort uit het verminderen van herhaald handwerk rond wachtlijsten, controles en afstemming tussen afdelingen. Een goed ingericht platform kan medewerkers een gedeeld overzicht geven van welke dossiers nadere actie vragen. Het voorkomt echter niet automatisch dat een wachtlijst beheersbaar wordt. Verouderde registraties, afwijkende definities tussen afdelingen en ontbrekende terugkoppeling van wijzigingen kunnen de kwaliteit van een AI-ondersteund overzicht snel aantasten.
Edgar van Lent wijst erop dat ziekenhuizen beeldanalyse en capaciteitsplanning niet als twee losstaande innovatieprogramma’s moeten behandelen. “De echte winst ontstaat wanneer een betrouwbaar klinisch signaal zonder extra administratieve omweg leidt tot een passende vervolgstap in het proces”, is zijn beoordeling. Dat vraagt om koppelingen met het elektronisch patiëntendossier, duidelijke autorisaties en ruimte voor professionals om uitzonderingen gemotiveerd te behandelen.
Minder overdracht, meer gerichte capaciteit
Voor Europese ziekenhuizen is de combinatie van deze toepassingen relevant omdat personeel, apparatuur en tijd schaars zijn. AI kan beelden sneller ordenen en planningsteams helpen om wachtlijsten en behandeltrajecten overzichtelijker te maken. Maar de opbrengst zit in de overdracht tussen die functies: van een beeld dat aandacht vraagt, naar beoordeling, vervolgonderzoek, afspraak en beschikbare capaciteit.
Daarmee verschuift de bestuursvraag. Niet alleen de nauwkeurigheid van een model telt, maar ook de vraag of het model aantoonbaar past in de dagelijkse verantwoordelijkheden van radiologie, screening, polikliniek en planning. Ziekenhuizen doen er goed aan vooraf te meten waar handmatige overdracht plaatsvindt, welke uitzonderingen vaak voorkomen en welke beslissingen altijd bij een professional moeten blijven. Een beperkte invoering op één zorgpad maakt dat beter toetsbaar dan een brede uitrol zonder procesontwerp.
Vooruitkijkend verwacht Edgar van Lent dat de meest bruikbare zorg-AI minder zichtbaar wordt als afzonderlijk systeem en meer deel gaat uitmaken van de reguliere werkstroom. Zijn beoordeling is dat Europese ziekenhuizen vooral voordeel halen uit toepassingen die de administratieve keten rond een klinische beslissing verkorten, mits zij transparant blijven over modelgebruik, menselijke controle en de kwaliteit van de onderliggende gegevens.
