HTEC Group meldt in nieuw onderzoek dat slechts één op de drie zorgorganisaties klaar is om kunstmatige intelligentie op te schalen. Het onderzoek richt zich op ziekenhuizen en zorgaanbieders in meerdere regio’s en verscheen deze week. Dit is relevant voor Nederland en Europa, omdat de Europese AI-verordening gevolgen zorg en de AVG strenge eisen stellen. De kloof tussen proefprojecten en breed gebruik blijft groot door datakwaliteit, regelgeving en gebrek aan talent.
Zorg loopt achter met opschaling
De kern van het bericht: veel instellingen testen AI, maar weinig krijgen het breed in de praktijk. Op het moment van schrijven zegt HTEC dat ongeveer een derde klaar is om systemen naar meerdere afdelingen en locaties te brengen. Proeven gaan vaak over medische beeldanalyse, triage in de spoedzorg of planningssoftware. De stap naar organisatiebrede inzet blijkt lastig.
Opschalen vraagt technische en organisatorische basis. Denk aan stabiele dataplatforms en koppelingen met het elektronisch patiëntendossier (EPD) zoals ChipSoft HiX of Epic. Zonder goede integratie moeten zorgverleners nog steeds handmatig gegevens overtypen. Dat kost tijd en maakt fouten waarschijnlijker.
Ook veiligheid en betrouwbaarheid tellen zwaar mee in de zorg. AI moet aantoonbaar goed presteren, met duidelijke uitleg van uitkomsten. Artsen willen weten wanneer het systeem twijfelt en wie verantwoordelijk is. Dat vraagt om validatie, protocollen en toezicht per specialisme.
Budgetten en inkooprondes vertragen vaak de doorbraak. Ziekenhuizen werken met meerjarenplannen en strikte aanbesteding. Leveranciers moeten daarom niet alleen technologie leveren, maar ook bewijs van klinische waarde. Zonder harde resultaten stopt een pilot snel.
“Slechts één op de drie zorgorganisaties is klaar om AI op schaal te brengen,” stelt het HTEC-onderzoek op het moment van schrijven.
Datakwaliteit is grootste knelpunt
AI heeft veel en schone data nodig. In de zorg staan gegevens vaak verspreid over afdelingen en systemen. Uitwisseling werkt beter met standaarden zoals HL7 FHIR, een formaat om medische data eenduidig te delen. In Nederland helpt de Wegiz om digitale gegevensuitwisseling te versnellen.
De AVG eist dataminimalisatie en versleuteling. Voor veel projecten is een Data Protection Impact Assessment (DPIA) nodig. Zonder heldere datagovernance lopen instellingen privacyrisico’s en reputatieschade. Dat remt innovatie, zeker bij gevoelige patiëntgegevens.
Voor het trainen van algoritmen zijn gelabelde voorbeelden nodig, bijvoorbeeld röntgenbeelden met een diagnose. Die datasets zijn vaak te klein of niet representatief. Een optie is federated learning, waarbij modellen leren over meerdere ziekenhuizen zonder ruwe data te delen.
De keuze voor cloud of lokaal is een extra drempel. Europese datalocatie, NEN 7510 en Schrems II spelen mee bij inkoop. Sommige aanbieders bieden “EU-only” clouds of soevereine diensten. Instellingen willen zo voldoen aan wetgeving én leveranciersonafhankelijk blijven.
AI-verordening vraagt zwaar toezicht
In de Europese AI-verordening (AI Act) vallen klinische AI-toepassingen vaak in de categorie hoog risico. Dan zijn eisen verplicht zoals risicobeheer, datakwaliteit, transparantie en menselijk toezicht. Leveranciers moeten loggen hoe het model beslist en aantonen dat vooroordelen beperkt zijn. Ziekenhuizen moeten gebruik en incidenten bijhouden.
Daarnaast geldt de Europese Medical Device Regulation (MDR) voor software als medisch hulpmiddel. Voor klinische besluitvorming is CE-markering nodig. De overlap tussen AI Act en MDR betekent dubbele voorbereiding. Capaciteit bij aangemelde instanties kan de tijd tot markt beïnvloeden.
Praktisch gevolg: organisaties hebben een kwaliteits- en complianceketen nodig van ontwerp tot nazorg. Denk aan modelregisters, herleidbare datasets en monitoring op prestatie en bias. Ook moeten patiënten weten wanneer ze met een algoritme te maken hebben. Dat vergroot vertrouwen en maakt audit mogelijk.
In Nederland kijken zorginstellingen naar richtlijnen van VWS en toezichthouders zoals de IGJ en de Autoriteit Persoonsgegevens. Inkoopteams vragen steeds vaker om AI Act-gereedheid. Wie nu al documentatie en toezicht inricht, voorkomt later dure aanpassingen. Dat versnelt de stap van pilot naar praktijk.
Tekort aan kennis en talent
HTEC ziet naast techniek ook menskracht als struikelblok. Er is schaarste aan data-engineers, MLOps-specialisten en security-experts, ook in Nederland. Zonder deze rollen lopen projecten vast in onderhoud en integratie. Leveranciers beloven vaak “plug-and-play”, maar beheer vraagt maatwerk.
Succesvolle teams zijn multidisciplinair. Artsen, verpleegkundigen, IT en juristen werken samen aan een duidelijk doel. “Clinician-in-the-loop” betekent dat een professional de uitkomst controleert. Dit verkleint risico’s en helpt modellen verbeteren met feedback.
Lock-in bij één platform is een reëel risico. Open standaarden en exporteerbare modellen maken overstappen makkelijker. Sommige instellingen kiezen voor open modellen met eigen fine-tuning. Andere kiezen voor gesloten systemen met ondersteuning, maar eisen dataportabiliteit.
De businesscase blijft spannend. De baten zitten vaak in tijdwinst en kwaliteit, niet direct in euro’s. Kosten voor annotatie, rekenkracht en compliance tellen snel op. Heldere KPI’s en fasering helpen om investeringen te verantwoorden.
Van proef naar praktijk
Begin met governance en meten. Richt een dataraad in, doe een DPIA en leg vast wie verantwoordelijk is. Gebruik een modelregister en monitor datadrift, het verschuiven van data waardoor prestaties dalen. Zo blijft een systeem betrouwbaar na de pilot.
Kies eerst laagrisico-toepassingen zoals capaciteitsplanning of administratieve taken. Die vallen meestal buiten de zwaarste risicoklasse en leveren snel waarde. Breid daarna uit naar klinische beslisondersteuning met strenger toezicht. Zo bouwt een organisatie ervaring en vertrouwen op.
Maak inkoop AI Act-proof. Vraag om documentatie over trainingsdata, prestaties, bias-tests en menselijke controle. Leg afspraken vast over updates, incidentmeldingen en datalocatie in de EU. Dit dwingt kwaliteit af bij leveranciers en versnelt audits.
Samenwerken loont. Regionale netwerken, academische centra en Europese initiatieven delen kennis en tools. Het voorstel voor de European Health Data Space kan op termijn onderzoek en secundair datagebruik vergemakkelijken. Dat kan de weg naar veilige, schaalbare AI in de zorg verkorten.