Een Europees consortium test nieuwe software die CT-scans van het hart met kunstmatige intelligentie analyseert. Het doel is snellere en nauwkeurigere zorg voor patiënten met pijn op de borst. De proef draait in meerdere ziekenhuizen in Europa, ook in Nederland. De inzet past binnen strengere regels zoals de AVG en de Europese AI-verordening.
AI leest CT-scans mee
De systemen beoordelen beelden van een CT-angiografie en schatten het risico op vernauwingen in de kransslagaders. Zo’n algoritme is een rekenmodel dat patronen in data herkent en daar een beoordeling aan koppelt. Het kan bijvoorbeeld kalk, plaque en de vernauwing van een vat kwantificeren. Artsen krijgen vervolgens een score of advies naast hun eigen lezing.
De software is getraind op gelabelde medische beelden met bekende diagnoses. Daardoor leert het model kenmerken die samenhangen met hartziekte. Het resultaat is een voorspellende uitkomst, zoals de kans op een interventie binnen 90 dagen. Dat helpt bij het kiezen tussen afwachten, medicatie of doorverwijzen.
In de kliniek fungeert dit als beslissingsondersteuning, geen automatische diagnose. Beslissingsondersteuning is software die een arts suggesties geeft, maar de arts beslist. Het doel is kortere doorlooptijden en minder onnodige onderzoeken. Ook moeten patiënten sneller duidelijkheid krijgen.
Een CT-scan maakt met röntgenstralen driedimensionale beelden van het hart. Het laat de kransslagaders als dunne plakjes zien voor een nauwkeurig oordeel.
Proef loopt in ziekenhuizen
De evaluatie vindt plaats in echte zorgpaden, niet alleen in het lab. Cardiologen en radiologen vergelijken zorg met en zonder algoritme. Ze meten onder meer tijd tot uitslag, tweede lezingen en het aantal verwijzingen naar het cathlab. Ook kijken ze naar de belasting van de beeldafdeling.
De software draait bij voorkeur in het ziekenhuisnetwerk en koppelt aan het PACS, het systeem voor het opslaan van beelden. Beelden worden via de DICOM-standaard uitgewisseld, zodat verschillende scanners meedoen. Dit verkleint het risico op leveranciersafhankelijkheid. Het maakt uitrol naar andere centra eenvoudiger.
De proef includeert uiteenlopende patiënten en meerdere typen CT-scanners. Zo toetst het project of de prestaties stabiel blijven buiten één centrum. Externe validatie is nodig om generaliseerbaarheid te tonen. Zonder zo’n toets kan een model in de praktijk onderpresteren.
Privacy en AVG-eisen gelden
Medische beelden zijn gevoelige persoonsgegevens. De AVG vereist dataminimalisatie, doelbinding en een duidelijke juridische grondslag. Voor onderzoek en testdoeleinden worden data geanonimiseerd of gepseudonimiseerd. Ziekenhuizen leggen dit vast in een DPIA, een verplichte risicoanalyse voor privacy.
Als er gegevens tussen landen worden gedeeld, zijn verwerkersovereenkomsten nodig. Vaak blijven beelden op locatie en reist alleen het model, via federated learning. Federated learning is een methode waarbij het algoritme lokaal leert en alleen modelupdates deelt. Zo verlaat ruwe data het ziekenhuis niet.
Beveiliging is zowel organisatorisch als technisch. Versleuteling tijdens transport en opslag is standaard. Toegang wordt gelogd en beperkt tot zorgprofessionals. Patiëntenrechten, zoals inzage en bezwaar, moeten praktisch geregeld zijn.
AI-verordening verhoogt drempel
Onder de Europese AI-verordening vallen medische diagnosemodellen in de hoge-risicoklasse. Dat brengt eisen mee aan risicobeheer, datakwaliteit, traceerbaarheid en menselijk toezicht. Leveranciers moeten logboeken bijhouden en duidelijke gebruikersinformatie geven. Toezicht en monitoring na ingebruikname horen daar ook bij.
De regels gaan op het moment van schrijven gefaseerd gelden. Ziekenhuizen en leveranciers doen er goed aan processen nu al te aligneren. Denk aan testprotocollen, bias-analyses en prestatiedrempels. Dit verkleint de stap naar formele conformiteit.
Daarnaast geldt de Europese MDR voor software als medisch hulpmiddel (SaMD). Een CE-markering vereist klinische evaluatie en kwaliteitsmanagement. Beoordeling loopt via een aangemelde instantie. In Nederland houdt de Inspectie Gezondheidszorg en Jeugd toezicht op naleving.
Nederland kan snel profiteren
De druk op cardiologische zorg is hoog, met volle spreekuren en wachttijden voor beeldvorming. Snellere triage met AI kan doorlooptijden verkorten. Een eerste beoordeling na de scan helpt om meteen de juiste route te kiezen. Dat scheelt extra polibezoeken en onzekerheid voor de patiënt.
Regioteams kunnen de uitkomsten delen in hartnetwerken. Huisartsen krijgen zo sneller duidelijkheid over vervolgstappen. Tele-overleg met het ziekenhuis wordt eenvoudiger als er een gestandaardiseerde risicoscore is. Dit past bij de Nederlandse inzet op juiste zorg op de juiste plek.
Voor invoering zijn scholing en heldere protocollen nodig. Richtlijnen van vakverenigingen, zoals cardiologie en radiologie, bieden houvast. Inkoop via open standaarden beperkt vendor lock-in. Evaluatie op uitkomsten, niet alleen op accuratesse, moet leidend zijn.
Belangrijke beperkingen blijven
Modellen kunnen last hebben van variatie in scanners en beeldkwaliteit. Artefacten of snelle hartslag verstoren metingen. Daarom is kwaliteitscontrole vóór analyse nodig. Anders kan het systeem verkeerde zekerheid geven.
Bias is een tweede aandachtspunt. Als trainingsdata scheef zijn verdeeld naar leeftijd, geslacht of comorbiditeit, lijdt de prestatie hieronder. Het project test daarom in diverse populaties. Continue monitoring in de praktijk blijft noodzakelijk.
Tot slot tellen klinische uitkomsten het meest. Minder onnodige katheterisaties en minder heropnames zijn zwaarder dan alleen een hogere AUC. Gerandomiseerde studies moeten dit aantonen. Pas dan wordt brede inzet verantwoord en kosteneffectief.