Nederlandse zorgorganisaties krijgen AI-pilots maar lastig in de dagelijkse praktijk. Ziekenhuizen en aanbieders testen algoritmen, van triage tot beeldanalyse, maar opschaling stokt. Dat gebeurt nu in heel Nederland en speelt ook breder in Europa. Redenen zijn strenge regels, onduidelijke bekostiging, datavragen en lastige koppelingen met ziekenhuissoftware onder de Europese AI-verordening.
Pilots stranden na proef
Veel ziekenhuizen draaien kleinschalige proeven met zorg-AI. Denk aan Pacmed Critical voor IC-beslisondersteuning, StrokeViewer van Nicolab voor beroertes en Quantib voor MRI-analyse. In de pilot werken deze systemen vaak goed, maar structurele inzet blijft uit. Teams lopen vast op eigenaarschap, budget en prioriteit in de organisatie.
Een proef heeft meestal tijdelijke menskracht en extra aandacht. Na afloop moet het algoritme concurreren met andere IT-projecten en schaarse capaciteit. Zonder vast team, beheer en duidelijke doelen verdampt het effect. Besturen vragen dan terecht om harde resultaten en risico-inschatting.
Ook inkoop is een drempel. Contracten voor software in de zorg kennen strikte eisen over veiligheid, service en aansprakelijkheid. Start-ups hebben die processen niet altijd op orde. Daardoor stokt de stap van succesvol experiment naar een dienst die jaren mee kan.
Bewijs en bekostiging ontbreken
Voor brede inzet eisen bestuurders en medisch specialisten bewijs van klinische waarde. Niet alleen nauwkeurigheid, maar ook invloed op uitkomsten, workflow en kosten telt mee. De Europese medische hulpmiddelenregels (MDR) vragen bovendien om een klinische evaluatie. Real‑world bewijs in meerdere ziekenhuizen is vaak nodig, maar kost tijd en geld.
De bekostiging blijft een gat. Zorgverzekeraars en ziekenhuizen willen weten hoe een algoritme wordt betaald als de pilot afloopt. De Nederlandse Zorgautoriteit (NZa) biedt ruimte voor innovatie, maar structurele tarieven zijn niet altijd duidelijk. Zonder verdienplan of gedeelde baten schuift besluitvorming vooruit.
Partijen zoeken daarom naar uitkomstbekostiging en risicodeling. Leveranciers kunnen meebewegen met modellen waarin betaling deels afhangt van aantoonbare waarde. Ook kan een regionaal of landelijk programma multicenter-onderzoek financieren. Het Integraal Zorgakkoord stimuleert die samenwerking, maar vraagt wel om meetbare doelen.
Data en privacy drempels
AI vraagt veel en schone data. In de zorg zijn gegevens vaak verspreid over systemen en wisselend van kwaliteit. AVG-regels verplichten dataminimalisatie en doelbinding, dus organisaties moeten precies vastleggen wat zij verzamelen en waarom. Een data protection impact assessment (DPIA) is in de zorg al snel nodig.
Uitwisseling is ook lastig. Koppelen via standaarden als HL7 FHIR en afsprakenstelsels als MedMij helpt, maar vergt investeringen. De Wet elektronische gegevensuitwisseling in de zorg (Wegiz) maakt bepaalde uitwisselingen verplicht. Dat verbetert de basis, maar lost datakwaliteit en semantiek niet meteen op.
Voor trainen en testen zoeken instellingen naar veilige alternatieven. Pseudonimiseren, versleuteling en federated learning (leren zonder data te verplaatsen) zijn opties. Europese plannen voor de European Health Data Space kunnen secundair gebruik van data vergemakkelijken. Tot die tijd blijven juridische en organisatorische drempels hoog.
Integratie met EPD ontbreekt
Een algoritme helpt pas echt als het naadloos in de workflow zit. Integratie met het elektronisch patiëntendossier, zoals ChipSoft HiX of Epic, is daarom cruciaal. Ook aansluiting op PACS en viewers speelt bij radiologie-AI, bijvoorbeeld met Sectra of Philips. Zonder die koppelingen verdwijnt winst door extra klikken en dubbel werk.
Techniek is niet het enige probleem. Wie is verantwoordelijk voor updates, monitoring en prestaties van het model? MLOps in de zorg betekent bewaken van versies, drift en incidenten. Dat vraagt om duidelijke rollen tussen leverancier, IT en kliniek, plus servicelevels die passen bij patiëntveiligheid.
Leveranciersvergrendeling maakt het extra complex. API-toegang is soms beperkt en maatwerk kostbaar. Ziekenhuizen kunnen inkoop eisen laten opnemen, zoals open standaarden en export van logdata. Zo blijft het mogelijk om te wisselen of meerdere AI-diensten naast elkaar te gebruiken.
AI Act vraagt governance
De Europese AI-verordening (AI Act) zet medische AI-systemen in de categorie hoog risico. Dat brengt plichten mee voor risicobeheer, datagovernance, logging, transparantie en menselijk toezicht. Voor generatieve systemen met algemeen gebruik gelden aparte eisen, bovenop de zorgregels. Toezicht sluit aan op bestaande MDR‑procedures en CE‑markering.
Medische AI-systemen vallen in de EU onder hoog risico met strenge eisen voor veiligheid, kwaliteit en menselijk toezicht.
Zorgorganisaties moeten daarom hun governance opschalen. Denk aan een intern AI-register, een proces voor modelkeuze en klinische review, en een plan voor incidenten en bias. De Inspectie Gezondheidszorg en Jeugd kijkt op het moment van schrijven naar veilige toepassing en verantwoordelijkheid in het zorgproces. NEN 7510 en aanpalende normen blijven leidend voor informatiebeveiliging.
Documentatie wordt belangrijker. Wie neemt de beslissing, wat ziet de professional, en hoe wordt het advies vastgelegd? Heldere uitleg in de interface helpt aan de transparantie-eis. En periodieke evaluaties tonen aan dat het systeem in de praktijk blijft doen wat het belooft.
Stappen naar opschaling
Begin met een concreet zorgprobleem, niet met de techniek. Leg vast welk klinisch eindpunt en welke workflowstap u wilt verbeteren. Kies een leverancier met CE-markering en een realistisch implementatieplan. Betrek IT, security, juridische zaken en de vakgroep vanaf dag één.
Maak integratie een harde eis. Vraag om FHIR‑koppelingen, duidelijke logbestanden en monitoring. Reserveer beheerbudget en benoem een productowner in de kliniek. Train gebruikers en toets of de interface begrijpelijk en snel genoeg is.
Bouw bewijs op buiten de pilot. Verzamel uitkomsten, kosten en ervaring in meerdere afdelingen of ziekenhuizen. Werk met verzekeraars aan een route naar structurele bekostiging. Sluit aan bij netwerken zoals de Nederlandse AI Coalitie (domein Gezondheid & Zorg) om kennis en datasets te delen.