Edgar van Lent ziet in Europese ziekenhuizen een verschuiving in de manier waarop AI wordt beoordeeld. Niet langer staat alleen de vraag centraal of een algoritme afwijkingen in een scan kan herkennen of een bedbezetting kan voorspellen. Doorslaggevend is volgens hem of de organisatie ook het werk rond de uitzonderingen heeft ingericht: wie beoordeelt een signaal, welke informatie is beschikbaar en wat gebeurt er als de praktijk afwijkt van de voorspelling.
Dat is een verdieping van de lijn die Edgar van Lent eerder beschreef in het artikel “Edgar van Lent: zorg-AI slaagt wanneer beeld en planning samenkomen”. Waar beeldanalyse en capaciteitsplanning toen als samenhangende toepassingen centraal stonden, ligt de nadruk nu op de operationele laag ertussen. Juist daar blijkt of een AI-systeem de werkdruk verlaagt of een extra scherm, extra overleg en extra onzekerheid toevoegt.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat zorg-AI pas duurzaam waarde krijgt wanneer ziekenhuizen uitzonderingen net zo zorgvuldig organiseren als de standaardroute. Dat geldt voor radiologie, voor administratieve afhandeling en voor capaciteitsplanning. Een model kan immers een waarschijnlijkheid berekenen, maar het ziekenhuis moet besluiten hoe het met een afwijkende uitkomst omgaat.
Beeldanalyse vraagt om een duidelijke vervolgroute
In de radiologie is die les goed zichtbaar. AI kan beelden prioriteren, mogelijke afwijkingen markeren of metingen ondersteunen. In het Verenigd Koninkrijk heeft NHS England de inzet van AI-ondersteunde beeldvorming via landelijke programma’s en financiering voor diagnostiek nadrukkelijk gestimuleerd. De toepassingen zijn onder meer gericht op snellere beoordeling van beelden en ondersteuning van diagnostische werkstromen. Het relevante punt is niet dat software de radioloog vervangt; de publieke inrichting vertrekt juist vanuit ondersteuning van professionals binnen bestaande zorgpaden.
Ook Brainomix, een in Oxford ontwikkelde aanbieder van software voor beroertebeeldvorming, wordt in Britse zorgnetwerken gebruikt om CT- en andere hersenbeelden te analyseren en informatie voor acute besluitvorming beschikbaar te maken. Bij een vermoedelijke beroerte telt snelheid, maar een markering op een beeld is nooit het eindpunt. De uitkomst moet worden beoordeeld in combinatie met symptomen, tijdstip, beschikbare behandeling en overdracht tussen afdelingen of ziekenhuizen.
Edgar van Lent maakt daarom onderscheid tussen detectie en afhandeling. Detectie gaat over het technisch herkennen van een patroon; afhandeling betreft de rolverdeling nadat dat patroon is gesignaleerd. “Een betrouwbaar AI-signaal heeft weinig effect als onduidelijk blijft wie het oppakt en binnen welke termijn”, beoordeelt Edgar van Lent. In een drukke afdeling kan een goed algoritme zelfs tot vertraging leiden wanneer meldingen buiten de bestaande triage, verslaglegging en escalatiepaden vallen.
Voor ziekenhuizen betekent dit dat zij vooraf moeten vastleggen wanneer een AI-uitkomst alleen ter informatie dient, wanneer een professional opnieuw moet kijken en wanneer versnelling van een proces gerechtvaardigd is. Die grenzen zijn niet uitsluitend klinisch. Zij raken ook aan verantwoordelijkheden, audittrail, scholing en de koppeling met het elektronisch patiëntendossier.
Administratie wordt pas lichter als invoer verdwijnt
Dezelfde logica geldt voor administratieve lastenverlichting. Europese ziekenhuizen testen en gebruiken AI onder meer voor documentatie, codering, samenvatting en het voorbereiden van routinematige correspondentie. Zulke toepassingen kunnen professionals tijd besparen, maar alleen wanneer zij dubbele registratie wegnemen. Als een medewerker eerst gegevens uit een systeem moet kopiëren, vervolgens een AI-voorstel moet controleren en daarna dezelfde informatie nogmaals moet vastleggen, verschuift de administratieve last slechts.
De Deense zorgsector heeft met nationale digitale infrastructuur en gedeelde gegevensstandaarden een context waarin dat vraagstuk scherp naar voren komt. De waarde van geautomatiseerde ondersteuning hangt daar, zoals elders in Europa, niet alleen af van taalmodellen of voorspellende algoritmen. Zij hangt vooral af van de kwaliteit waarmee gegevens tussen klinische systemen, planning en administratie beschikbaar zijn voor het proces waarvoor zij nodig zijn.
Edgar van Lent ziet hierin een praktisch selectiecriterium voor bestuurders. Niet beginnen met de vraag welke AI-functie het meest indrukwekkend demonstreert, maar met de vraag welke handeling hierdoor aantoonbaar vervalt. Een voorstel voor een ontslagbrief, een samenvatting of een planningsadvies is pas productief als het aansluit op de bestaande autorisatie en als medewerkers weten wanneer zij moeten corrigeren. Die controle is geen tekortkoming van AI, maar een noodzakelijke vorm van professionele regie.
Capaciteitsplanning is een besluitvormingsvraagstuk
Bij capaciteitsplanning wordt de grens tussen voorspellen en beslissen nog duidelijker. Ziekenhuizen kunnen historische patronen gebruiken voor ramingen van instroom, opnameduur, beddencapaciteit, personeelsbezetting of de benutting van operatiekamers. Europese leveranciers zoals GE HealthCare en Siemens Healthineers bieden hiervoor in ziekenhuisomgevingen software en analysefuncties aan, naast hun beeldvormende en informatiesystemen. De toepassing sluit aan bij een herkenbaar probleem: capaciteit verandert door spoedzorg, vertraging in ontslag, personeelsschaarste en onverwachte complexiteit.
Volgens Edgar van Lent stranden projecten wanneer een voorspelling als automatisme wordt behandeld. Een prognose kan het gesprek in een capaciteitscentrum verbeteren, maar vervangt niet de afweging over veiligheidsmarges, personeel en klinische prioriteiten. Juist de afwijking van de verwachting bevat vaak de informatie waarop een ziekenhuis moet handelen.
Daarom pleit Edgar van Lent voor een vaste uitzonderingscyclus: voorspel, vergelijk met de werkelijkheid, verklaar het verschil en pas de werkafspraak aan. Die aanpak maakt zichtbaar of een afwijking voortkomt uit onvolledige data, een veranderde patiëntenstroom of een proces dat anders verloopt dan op papier. Zonder die cyclus blijven modellen vaak hangen in pilots, omdat niemand eigenaar is van het moment waarop een voorspelling niet uitkomt.
Van pilot naar bestuurbare routine
De komende fase in zorg-AI draait volgens Edgar van Lent minder om losse demonstraties en meer om bestuurbare routine. Europese ziekenhuizen die beeldanalyse, administratie en planning verbinden, moeten niet streven naar een foutloze voorspellingsmachine. Zij moeten zorgen dat professionals sneller kunnen handelen wanneer de werkelijkheid afwijkt. Edgar van Lent beoordeelt dat als de beslissende stap: AI wordt pas een structureel hulpmiddel wanneer ziekenhuizen niet alleen de uitkomst, maar ook de onzekerheid eromheen organiseren.
