Edgar van Lent ziet in Europese ziekenhuizen een duidelijke verschuiving: AI krijgt pas betekenis wanneer beeldanalyse, administratieve afhandeling en capaciteitsplanning niet als drie losse innovaties worden behandeld. De AI-specialist beoordeelt de zorgtoepassing daarom niet op de technische demo, maar op de vraag of een zorgteam er aantoonbaar sneller en beter mee kan handelen.

De eerste aflevering in deze reeks over AI in de zorg richt zich op een concrete bottleneck: de route van medisch beeld naar besluit en vervolgens naar beschikbare capaciteit. Juist daar komen diagnostiek, verslaglegging, planning en professionele verantwoordelijkheid samen. Edgar van Lent waarschuwt dat ziekenhuizen die slechts één stap automatiseren vaak een lokaal voordeel creëren, terwijl de druk zich vervolgens verplaatst naar de volgende schakel.

Beeldanalyse is waardevol als zij het werkproces versnelt

De bekendste publieke voorbeelden laten zien waarom de inzet van AI bij medische beelden zorgvuldig moet worden ingebed. Moorfields Eye Hospital in Londen werkte met DeepMind aan systemen die OCT-scans van het oog kunnen beoordelen en urgente afwijkingen kunnen helpen prioriteren. De publicaties rond dit werk maakten zichtbaar dat AI niet alleen een classificatievraagstuk is: de uitkomst moet passen bij de verwijzing, de beschikbare specialistische capaciteit en de manier waarop een arts het oordeel controleert.

Ook in de borstkankerscreening wordt in Europa gewerkt met AI-ondersteuning bij de beoordeling van mammografieën. In Zweden is het MASAI-onderzoek opgezet rond de vraag hoe AI kan bijdragen aan screening zonder de klinische kwaliteitsbewaking los te laten. Dat type toepassing is volgens Edgar van Lent relevant omdat het niet vertrekt vanuit de belofte dat een algoritme de radioloog vervangt. Het onderzoekt hoe technologie de eerste beoordeling, de prioritering en de inzet van schaarse expertise anders kan organiseren.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat beeldanalyse pas waarde creëert wanneer een ziekenhuis vooraf bepaalt welk besluit door het signaal verandert. “Een markering op een scan is geen eindpunt. De winst ontstaat wanneer helder is wie die markering beoordeelt, hoe snel dat gebeurt en welke vervolgroute vervolgens beschikbaar is.”

Dat onderscheid is wezenlijk. Een model kan een verdenking signaleren of beelden rangschikken, maar het ziekenhuis moet de betekenis ervan vertalen naar triage, verslaglegging en vervolgzorg. Zonder die verbinding kan AI zelfs extra werk opleveren: zorgprofessionals krijgen er een scherm, een controlehandeling of een aparte uitzonderingenstroom bij. Edgar van Lent ziet daarom meer in toepassingen die aansluiten op bestaande radiologie- en werklistprocessen dan in afzonderlijke portalen die naast het primaire systeem blijven bestaan.

Minder administratie vraagt om betrouwbare overdracht

De tweede schakel ligt in de administratieve verwerking. Een beeldonderzoek wordt niet bruikbaar voor de organisatie zolang bevindingen, verslag, aanvraaggegevens en vervolgafspraken in verschillende stappen opnieuw moeten worden ingevoerd of gecontroleerd. Spraakherkenning, gestructureerde verslaglegging en generatieve AI kunnen hier ondersteunend zijn, mits zij binnen een afgebakend proces worden ingezet en controleerbaar blijven.

De inzet van AI in de Britse National Health Service laat zien dat publieke zorgorganisaties juist daarom aandacht besteden aan implementatie, gegevenskwaliteit en veilige opschaling. Niet iedere toepassing hoeft direct klinische conclusies te trekken. Ook het voorbereiden van samenvattingen, het ordenen van documenten of het voorstellen van een administratieve vervolgactie kan tijd vrijmaken, zolang een medewerker eindverantwoordelijk blijft voor de inhoudelijke juistheid.

Edgar van Lent maakt daarbij een onderscheid tussen verlichting en verplaatsing van administratieve lasten. “Als een systeem informatie sneller produceert maar professionals vervolgens veel tijd kwijt zijn aan herstel, verificatie en het zoeken naar de bron, is er geen lastenverlichting maar een nieuwe controletaak.” Voor hem is herleidbaarheid daarom een praktisch criterium, niet uitsluitend een governance-eis. De gebruiker moet kunnen zien op welke gegevens een voorstel rust en eenvoudig kunnen corrigeren zonder het hele proces te onderbreken.

In ziekenhuizen is dat extra belangrijk omdat beeldvorming, klinische context en planning zelden volledig in één databron staan. Een AI-toepassing die een conceptverslag helpt structureren, moet niet doen alsof zij ontbrekende context kan invullen. Een toepassing die afspraken helpt voorbereiden, moet rekening houden met medische urgentie, benodigde apparatuur en de beschikbaarheid van personeel. Edgar van Lent benadrukt dat goede implementaties die grenzen expliciet maken, in plaats van ze met een algemene belofte van automatisering te verhullen.

Capaciteitsplanning is de toets voor samenhang

De derde schakel is capaciteitsplanning. Nadat een beeld is beoordeeld en een vervolgactie is vastgelegd, volgt de vraag of er ruimte is in de scannerplanning, de polikliniek, het beddenhuis of het operatieprogramma. Europese ziekenhuizen gebruiken al langer voorspellende en optimaliserende software voor onderdelen van deze planning. De recente AI-golf vergroot de mogelijkheden om meer signalen te combineren, maar verandert niet de kernvoorwaarde: de uitkomst moet bruikbaar zijn voor de planners en zorgteams die met onzekerheid omgaan.

Edgar van Lent ziet hier het verschil tussen projecten die landen en projecten die stranden. Succesvolle projecten beginnen doorgaans met een beslismoment dat al bestaat, zoals het verdelen van onderzoeken over beschikbare slots of het signaleren van een dreigende piek in bedbezetting. Ze gebruiken gegevens die operationeel beschikbaar zijn, toetsen uitkomsten met de betrokken teams en organiseren een duidelijke route voor uitzonderingen. Projecten stranden vaker wanneer zij een brede voorspelling bouwen zonder eigenaar, zonder handelingsperspectief of zonder afspraak over wie corrigeert als de werkelijkheid afwijkt.

Dat vraagt ook om bescheidenheid over voorspelbaarheid. Een ziekenhuis is geen fabriek met volledig stabiele invoer: spoedzorg, complexe patiënten, uitloop en personeelstekorten blijven een rol spelen. AI kan planners helpen patronen eerder te zien en scenario’s te vergelijken, maar niet alle variatie wegautomatiseren. Edgar van Lent noemt juist die erkenning van onzekerheid een teken van volwassen inzet.

Van afzonderlijke tools naar één verantwoord proces

Voor de komende jaren verwacht Edgar van Lent dat de meest bruikbare zorg-AI niet per se de meest zichtbare zal zijn. De waarde zit volgens hem in een gecontroleerde keten waarin beeldanalyse een relevante prioriteit oplevert, administratieve ondersteuning die informatie betrouwbaar overdraagt en planning die het vervolg daadwerkelijk mogelijk maakt. “Ziekenhuizen die AI koppelen aan één concreet zorgpad, met professionele toetsing en meetbare procesafspraken, bouwen aan duurzame capaciteit. Wie alleen losse tools toevoegt, houdt vooral losse uitzonderingen over.”