Wanneer AI het ziekenhuis binnenkomt: wat verandert er voor artsen en patiënten

In mijn vorige column bekeek ik medische AI vanuit zakelijk perspectief, met de nadruk op de kansen die deze technologie biedt aan technologiebedrijven. Maar naast het potentieel voor innovatie en nieuwe markten is er een fundamentelere vraag: welk verschil maken deze technologieën voor de artsen die ze gebruiken en de patiënten die van hen afhankelijk zijn? De werkelijke waarde van medische innovatie ligt immers in het vermogen om de kwaliteit en toegankelijkheid van zorg te verbeteren. En ik zie nu al opmerkelijke veranderingen in de manier waarop die zorg kan worden verleend.

Hoe personeelstekorten de automatisering in de zorg versnellen

Ik ken een ondernemer wiens bedrijf tijdelijk medisch personeel levert aan ziekenhuizen, waaronder verpleegkundigen die invallen wanneer vaste medewerkers niet beschikbaar zijn. Je zou verwachten dat zo’n bedrijf goed gedijt bij de aanhoudende personeelstekorten. Maar volgens hem hebben zelfs bedrijven die gespecialiseerd zijn in het leveren van zorgpersoneel moeite om voldoende gekwalificeerde mensen te vinden.

Ziekenhuizen kampen al tientallen jaren met tekorten aan artsen en verpleegkundigen. Het opleiden van nieuwe zorgprofessionals kost veel tijd en middelen. Een medische opleiding, met name in de Verenigde Staten, kan te duur zijn, en de jaren van studie en klinische opleiding brengen financiële en psychologische druk met zich mee. Ook na hun opleiding hebben artsen te maken met veel stress, een enorme verantwoordelijkheid en voortdurende tijdsdruk.

Daardoor hebben artsen soms maar een paar minuten per patiënt om symptomen te beoordelen, mogelijke diagnoses te overwegen, onderzoeken aan te vragen en de benodigde documentatie in te vullen. Deze werkdruk vergroot het risico op fouten en laat minder tijd over voor betekenisvol contact met patiënten. Alleen meer personeel aannemen zal het probleem waarschijnlijk niet oplossen.

Daarom denk ik dat aanhoudende personeelstekorten en toenemende werkdruk tot de belangrijkste factoren zullen behoren die de invoering van AI in ziekenhuizen versnellen.

Wat kunnen artsen aan AI toevertrouwen?

Een van de meest praktische toepassingen is AI-software die gesprekken tussen artsen en patiënten vastlegt, consulten samenvat en helpt bij het opstellen van klinische documentatie. In plaats van tijd te besteden aan het handmatig schrijven van aantekeningen, ontvangen artsen een concept dat ze waar nodig kunnen controleren en aanpassen.

De voordelen van deze hulpmiddelen worden in de klinische praktijk al zichtbaar. In een studie uit april 2026 die in JAMA is gepubliceerd, werden gegevens onderzocht van meer dan 8.500 zorgprofessionals in vijf medische centra in de VS. Bij zorgverleners die AI-hulpmiddelen voor documentatie gebruikten, nam de tijd die aan klinische aantekeningen werd besteed met gemiddeld 10% af. Dat komt neer op ongeveer 16 minuten per periode van acht uur waarin patiëntbezoeken gepland staan.

Een ander voorbeeld is AI-ondersteunde differentiaaldiagnostiek. Stel je een patiënt voor die bij een arts komt met buikpijn en een tintelend gevoel aan de linkerkant. Een AI-systeem kan de symptomen analyseren en verschillende mogelijke oorzaken aandragen om verder te onderzoeken. Het stelt niet de uiteindelijke diagnose, maar kan de arts helpen een lijst met mogelijkheden op te stellen, vervolgvragen te formuleren en te bepalen welke onderzoeken nodig kunnen zijn. Ik ben dergelijke hulpmiddelen in de praktijk al tegengekomen en verwacht dat ze een vast onderdeel van medische consulten zullen worden. Ze roepen echter ook een terechte vraag op: zou het vertrouwen op door AI gegenereerde suggesties het vermogen van artsen om zelfstandig te redeneren geleidelijk kunnen verzwakken? Wanneer een systeem kant-en-klare antwoorden geeft, is het verleidelijk om de conclusies ervan te vertrouwen, zeker wanneer er toch al zo weinig tijd is voor elke patiënt.

Er is echter ook een andere kant. Hoe ervaren een arts ook is, diens kennis wordt onvermijdelijk gevormd door de patiënten die hij of zij heeft behandeld, de opleiding die hij of zij heeft gevolgd en het onderzoek dat hij of zij heeft kunnen bestuderen. AI-modellen kunnen daarentegen mogelijk patronen herkennen in veel grotere hoeveelheden medische gegevens, waaronder gevallen die een individuele arts misschien nooit is tegengekomen.

AI als deelnemer aan medisch onderzoek

Een ander gebied dat het onderzoeken waard is, betreft complexe klinische gevallen waarin zelfs ervaren specialisten moeite hebben om tot overeenstemming te komen. Dergelijke gevallen worden tegenwoordig vaak besproken tijdens medische casusbesprekingen, waar artsen onderzoeksresultaten bekijken, mogelijke diagnoses bespreken en overeenstemming bereiken over de vervolgstappen in de behandeling. Ik denk niet dat AI deze gesprekken zal vervangen, maar ik kan me wel voorstellen dat AI er als extra deelnemer bij komt.

Dat zou op verschillende manieren kunnen. Meerdere modellen zouden dezelfde klinische casus onafhankelijk van elkaar kunnen analyseren, zodat artsen hun bevindingen kunnen vergelijken en punten van overeenstemming of verschil kunnen vaststellen. Een ander scenario is dat één model de casus meerdere keren vanuit verschillende analytische invalshoeken onderzoekt, waarna de resultaten samen worden bekeken.

Natuurlijk betekent overeenstemming tussen AI-modellen niet automatisch dat ze tot de juiste conclusie zijn gekomen. Modellen kunnen dezelfde beperkingen hebben, op vergelijkbare trainingsgegevens steunen en dezelfde fouten maken. Toch kunnen deze aanvullende perspectieven helpen om tegenstrijdigheden aan het licht te brengen, zeldzame aandoeningen te signaleren of mogelijkheden aan te dragen waaraan de artsen aanvankelijk niet hadden gedacht.

Om zinvol aan dergelijke gesprekken bij te dragen, moet AI echter verder kijken dan afzonderlijke testresultaten. In ons werk bij Keymakr heb ik zelf ervaren hoe belangrijk deze bredere klinische context is. Voor een project rond echografie werkten we met scans van dezelfde patiënten die op verschillende momenten waren gemaakt: soms meerdere keren op één dag en vervolgens opnieuw, maanden later. Het team bracht anatomische structuren in kaart en signaleerde mogelijke afwijkingen voor beoordeling door specialisten, waarbij het rekening hield met veranderingen in de onderzoeksgeschiedenis van de patiënt.

Kleine inconsistenties in afzonderlijke dossiers konden van invloed zijn op de interpretatie van gerelateerde gegevens in de volledige dataset. Deze ervaring heeft opnieuw duidelijk gemaakt hoe belangrijk het is om de medische voorgeschiedenis van een patiënt als geheel in ogenschouw te nemen — iets wat net zo essentieel zou zijn voor AI-systemen die complexe klinische beslissingen ondersteunen.

MRI zonder MRI-scanner

Een diagnose stellen draait niet alleen om het correct interpreteren van medische gegevens. Het gaat er ook om die gegevens überhaupt te kunnen verkrijgen. Een van de interessantste AI-projecten die ik ben tegengekomen, werd gepresenteerd op een evenement dat was aanbevolen door Scryon en richt zich precies op deze uitdaging. Een team ontwikkelaars heeft een manier gevonden om met behulp van kunstmatige intelligentie CT-scans en meerdere röntgenbeelden, gemaakt vanuit specifieke hoeken, om te zetten in een beeld dat lijkt op een MRI-scan. Het idee kwam voort uit een heel praktisch probleem: MRI-scanners zijn duur en patiënten moeten soms maanden wachten op een onderzoek, terwijl röntgenapparaten en CT-scanners veel ruimer beschikbaar zijn.

Voorlopig richt de technologie zich op de knie, al overwegen de ontwikkelaars haar ook voor andere gewrichten in te zetten. Volgens het team moeten de gereconstrueerde beelden informatie opleveren die vergelijkbaar is met die van MRI-scans, hoewel de beeldvormingstechnieken op verschillende natuurkundige principes berusten.

In plaats van nog een duur medisch apparaat te ontwikkelen, maakt het team gebruik van bestaande beeldvormingstechnologie en breidt het met AI-gestuurde beeldreconstructie de mogelijkheden ervan uit.

Een operatiekamer zonder grenzen

Ik verwacht dat AI in de komende tien jaar in de een of andere vorm een rol zal spelen in minstens de helft van alle medische processen. Ik doel op een breed scala aan toepassingen, van de analyse van medische gegevens en ondersteuning bij diagnoses tot realtime AI-begeleiding tijdens chirurgische ingrepen.

Op langere termijn kunnen deze technologieën ook helpen financiële, organisatorische en zelfs geografische drempels in de gezondheidszorg te overwinnen. Stel je voor dat een ervaren chirurg in de Verenigde Staten assisteert bij een operatie aan een kind in India, of dat een specialist in India helpt een patiënt in Canada te behandelen, zonder zelf in de operatiekamer aanwezig te zijn. Vooruitgang in robotica, systemen voor afstandsbediening en AI-ondersteuning bij operaties zou zulke scenario’s mogelijk kunnen maken.

We zien al de eerste stappen in deze richting. Zo stelt het platform Proximie chirurgen in staat op afstand verbinding te maken met operatiekamers, ingrepen in realtime te observeren en samen te werken met medische teams ter plaatse. Het systeem biedt ondersteuning voor livevideo, spraakcommunicatie en visuele annotaties en gebruikt AI om gegevens over het verloop van operaties te analyseren. Dit betekent niet dat chirurgen nu al elke operatie op afstand kunnen uitvoeren, maar specialisten kunnen wel hun expertise delen en advies geven zonder in dezelfde operatiekamer aanwezig te zijn.

Ik vind dat betere toegang tot gezondheidszorg een van de belangrijkste doelen van medische AI moet zijn. Het gaat erom of deze technologieën wachttijden voor diagnostische onderzoeken kunnen verkorten, de werkdruk van zorgprofessionals kunnen verlichten en artsen meer tijd met hun patiënten kunnen geven. Uiteindelijk zou ik het succes van medische AI afmeten aan het aantal mensen dat er tijdige, hoogwaardige medische zorg door kan krijgen.