Succesvolle AI in de zorg

Generative AI zou de sleutel moeten zijn in het verlagen van administratielasten, wat moet helpen in de strijd tegen arbeidstekorten in de zorg. Toch is er tot nu toe weinig impact gemaakt met succesvolle AI-toepassingen in de zorgsector. Artikelen wijzen een allerhande redenen aan; ‘AI-oplossingen zijn te breed waardoor focus ontbreekt en er geen goede behandelplannen worden gegenereerd’ tot ‘AI-oplossingen zijn te smal waardoor er een web van losse oplossingen en applicaties bestaat die allemaal niet gebruikt worden’. Maar hoe dan wel? Hieronder leggen wij uit wat onze visie is op toegepaste AI in de zorg.

Databeschikbaarheid is de sleutel

Databeschikbaarheid blijft een uitdaging in de zorg. De zorgprofessional heeft niet altijd toegang tot de juiste data over de patiënt op het juiste moment. Zonder accurate en recente informatie kan de arts geen juiste beslissingen nemen. Een AI-oplossing verzinnen die helpt met de diagnose heeft diezelfde data nodig, voorafgaand aan gigantische hoeveelheden om een goed algoritme te ontwikkelen, en vervolgens als input om de juiste beslissingen te maken. Dit is een nog grotere uitdaging dan de arts helpen aan de juiste informatie. Denk daarom in de beginfase van je AI gerelateerde oplossing direct aan de volgende zaken:

• Regelgeving en privacy

Het volgen van de AVG-regelgeving, EU AI Act en ethische normen is altijd de eerste stap.  We werken in het zorgveld met zeer gevoelige data, en daar dient voorzichtig mee omgegaan te worden. Vaak wordt dit gezien als belemmering, maar dit is ook een kans om vertrouwen op te bouwen door te laten zien dat privacy serieus genomen wordt. Maak gebruik van een van de vele technieken om anonimiteit of pseudonimiteit te garanderen. Door voor het bouwen van de oplossing te beslissen hoe de privacy gewaarborgd wordt, is tijdens het gehele proces de mogelijke impact bekend en kan bij elke stap van de oplossing worden nagegaan of er nog wordt voldaan aan de regelgeving.

• Een data-uitwisselingsprobleem, geen AI-probleem

Vaak zijn de benodigde data verspreid over verschillende systemen of zelfs niet beschikbaar. Hier ligt geen technisch AI-vraagstuk, maar een probleem van interoperabiliteit. Investeren in uniforme en eenduidige gegevensuitwisseling is dan van essentieel belang voor het succesvol trainen van AI. Het gebruik van gestandaardiseerde terminologieën, zoals SNOMED CT, helpt niet alleen bij datakwaliteit maar ook bij interoperabiliteit en consistentie . Eenduidige uitwisseling met eenheid van taal kan meer impact maken dan geavanceerdere AI-algoritmes. In veel gevallen is het onderliggende probleem simpelweg dat de juiste data niet beschikbaar is op het juiste moment voor de arts. Ga dus goed na of je te maken hebt met een uitwisselingsprobleem of een issue waarbij AI een relevante oplossing kan zijn.

• Houd rekening met bias

Wees alert op bias in AI-modellen, zodat bestaande ongelijkheden in zorg niet worden versterkt. Ga na of de data integer zijn. Data waar bias in verwerkt zit, zal ook altijd leiden tot een AI-oplossing die dezelfde bias gaat versterken. Dat moet worden voorkomen.

Keep it super simple

AI-toepassingen moeten helder en praktisch zijn. Begin klein en houd het klein: focus op specifieke en goed gedefinieerde problemen waar data voor aanwezig zijn. Projecten als Watson for Oncology zijn ontspoord en uiteindelijk gefaald omdat de scope tijdens het project steeds groter werd. Een goede AI-oplossing ontwerpen voor een te breed probleem maakt dat er altijd concessies gedaan moeten worden. Iets wat we in het zorgveld niet willen. Een smal probleem met een heldere vraag zorgt voor focus in de AI-oplossing en daardoor voor meer effectiviteit en grotere kans op een succesvol project.

De zorgprofessional is leidend

Succesvolle AI begint met luisteren naar zorgprofessionals. Wat zijn hun dagelijkse uitdagingen? Wat kost hen de meeste tijd of leidt tot de grootste frustratie? AI-projecten moeten inspelen op concrete behoeften in plaats van op abstracte beloftes van kostenreductie of theoretische oplossingen van beleidsmakers in ivoren torens. Door samen te werken met artsen, verpleegkundigen en andere zorgverleners en hun problemen op te lossen, ontstaat er draagvlak en worden praktische en bruikbare oplossingen ontwikkeld.

Vervolgens moet de oplossing dusdanig in het bestaande proces worden geïntegreerd, dat de zorgprofessional bijna niet door heeft dat er hulp komt vanuit AI. Zie het als een Copilot-achtige ervaring voor gebruikers  waarbij de AI in de tool zit geïntegreerd zoals Microsoft 365 Copilot of Github Copilot. Door goede integratie is databeschikbaarheid makkelijker. Ook is het niet erg dat er veel kleine oplossingen bestaan, omdat deze niet apart gebruikt moeten worden maar onderdeel zijn van het proces. Zo kunnen veel kleine en simpele oplossingen het meest effectief impact maken op het werk van de zorgprofessional.

Focus op de individuele patiënt

Sommige AI oplossingen focussen zich op het ondersteunen van de zorg professional. Echter als de AI oplossing ook directe impact heeft op patiënt, is het belangrijk om het juiste perspectief te handhaven. Veel AI richt zicht op groepen en classificatie door middel van statistiek. Echter een statistische uitkomst die geldig is voor de groep, betekent niets voor het individu. AI die impact heeft op de patiënt, moet in de eerste plaats de patiënt dienen. Dit betekent dat we verder kijken dan gemiddelden en patronen in grote datasets en groepen. De echte meerwaarde van AI moet liggen in het vinden van de uitzonderingen: de patiënten met zeldzame aandoeningen of afwijkende symptomen. De arts is zelf ook prima in staat om een verkoudheid te diagnosticeren. Meerwaarde zou hier liggen in het ontdekken van die ene zeldzame ziekte die bijna nooit voorkomt. Dat vraagt om een aanpak die rekening houdt met weinig beschikbare data. Zeldzame ziektes komen weinig voor en data zal ook minder aanwezig zijn. Small Data technieken of Synthetische data zijn voorbeelden van oplossingen waarbij rekening gehouden kan worden met weinig relevante data.

Ook op het gebied van behandelplannen voldoet een individu nooit aan het gemiddelde. De kracht van toegepaste AI zou daar liggen in het personaliseren van de aanpak in plaats van mee te gaan in de gemiddelden.

Wees realistisch

AI is geen toverstaf. De druk ligt hoog door de hoge verwachtingen zoals in de inleiding gesteld. Veel beloftes van vandaag zullen nog jaren van onderzoek en ontwikkeling vergen. Transparantie over wat AI wél en niet kan, is essentieel om verkeerde verwachtingen te voorkomen. AI is een hulpmiddel, geen vervanging van de zorgprofessional. Door een realistische verwachting te hebben, is de kans groter op een uitkomst waar iedereen tevreden mee is.

Een toekomst bouwen met AI in de zorg

De sleutel tot succesvolle AI in de zorg ligt in realisme, samenwerking met de zorgprofessional en een patiëntgerichte aanpak. Alleen door samen te werken met zorgprofessionals, patiënten en technologische experts kunnen we toepassingen ontwikkelen die werkelijk een verschil maken. Dit vereist niet alleen innovatieve technologie, maar ook een cultuur van vertrouwen, transparantie en pragmatisme.

AI heeft de potentie om de zorgsector te transformeren, maar dat gebeurt niet vanzelf. Het vergt een geduldige, iteratieve aanpak waarin kleine, goed gedefinieerde successen de weg wijzen naar grotere doorbraken. Daarbij moet de focus altijd liggen op wat echt telt: het verbeteren van zorg voor de patiënt en het ondersteunen van zorgprofessionals.

Door databeschikbaarheid te verbeteren, ethische standaarden te waarborgen, bias te vermijden en de behoeften van zorgprofessionals en patiënten centraal te stellen, kan AI uitgroeien tot een krachtig hulpmiddel. Niet als een hype of abstracte belofte, maar als een praktische en betrouwbare partner in de dagelijkse zorg.

De weg naar succesvolle AI is lang, maar met de juiste mindset en aanpak kunnen we een toekomst bouwen waarin technologie de zorg menselijker, efficiënter en toegankelijker maakt. Laat ons die reis samen beginnen.