Een nieuw onderzoeksproject in Nederland wil endometriose en adenomyose sneller opsporen met kunstmatige intelligentie. Zorgfinancier ZonMw ondersteunt een consortium van ziekenhuizen en onderzoekers dat een diagnostisch algoritme ontwikkelt voor de poli en de radiologie. Het project start in Nederlandse klinieken en richt zich op snellere en nauwkeuriger triage. Dit sluit aan op de Europese AI-verordening (AI Act) en de AVG, die gevolgen hebben voor zorginstellingen en softwareleveranciers.
Onderzoek versnelt diagnose
Het doel is de lange zoektocht naar een diagnose te verkorten voor mensen met buikpijn en menstruatieklachten. De onderzoekers bouwen een beslisondersteunend systeem dat gynaecologen helpt om sneller te bepalen of verder onderzoek nodig is. Het systeem geeft een kansinschatting en een onderbouwing, maar neemt de beslissing niet over. Artsen houden altijd de regie.
Endometriose en adenomyose zijn lastig te herkennen en worden vaak pas laat vastgesteld. Dat leidt tot langdurige klachten en onnodige zorgkosten. Vroeg herkennen kan pijnklachten verminderen en vruchtbaarheid beter beschermen. Een algoritme kan patronen in beelden en dossiers sneller vinden dan een mens.
De ontwikkeling gebeurt stap voor stap: dataverzameling, modelbouw, interne toetsing en een klinische proef. Daarbij worden afspraken gemaakt over kwaliteit, veiligheid en uitleg aan patiënten. Het project levert een gevalideerd prototype en een implementatieplan op. Ook wordt bekeken hoe het systeem past in bestaande werkprocessen.
ZonMw financiert het onderzoek en bewaakt de wetenschappelijke kwaliteit. De deelnemende ziekenhuizen leveren medische expertise en praktijkdata. Patiëntenvertegenwoordigers denken mee over uitkomstmaten en begrijpelijke communicatie. Op het moment van schrijven is de definitieve productnaam van het algoritme nog niet publiek.
Algoritme analyseert zorgdata
Het team gebruikt machinelearning, een techniek waarbij software patronen leert uit voorbeelden. Het systeem combineert beeldvorming zoals MRI en echo met gegevens uit het elektronisch patiëntendossier en vragenlijsten. Zo ontstaat een zogenoemd multimodaal datamodel. Het doel is betere gevoeligheid én specificiteit te halen dan met losse testuitslagen.
Artsen labelen de trainingsdata met betrouwbare uitkomsten, zoals laparoscopie of pathologie. Zo ontstaat een “gouden standaard” voor het leren en testen. De prestaties worden gemeten met heldere maatstaven zoals nauwkeurigheid, sensitiviteit en specificiteit. Fouten worden geanalyseerd om het model te verbeteren.
Om vertekening te voorkomen, letten de onderzoekers op een diverse en representatieve dataset. Leeftijd, klachtenpatronen en beeldkwaliteit kunnen het resultaat beïnvloeden. Er komt monitoring op modeldrift, zodat het systeem actueel blijft. Externe validatie in andere ziekenhuizen is onderdeel van het plan.
Bij invoering moet de software als medisch hulpmiddel worden aangemerkt en voorzien van CE-markering. Dat vereist transparantie over werking en risico’s. Integratie in het EPD verloopt via gestandaardiseerde koppelvlakken en uitleg die artsen begrijpen. Het systeem moet duidelijk aangeven hoe het tot een advies komt.
Een diagnostisch algoritme is software die patronen in zorgdata herkent en een kans op een aandoening berekent, met uitleg die een arts kan controleren.
Privacy en AVG geborgd
De AVG stelt eisen aan dataminimalisatie, doelbinding en beveiliging. Ziekenhuizen blijven verwerkingsverantwoordelijk voor patiëntgegevens. Er komt een DPIA, een risico-analyse voor privacy, voordat data worden gebruikt. Toegang tot data wordt strikt gelogd en beperkt.
Gegevens worden gepseudonimiseerd en versleuteld opgeslagen en verwerkt. Er zijn verwerkersovereenkomsten en informatiebeveiliging volgens NEN 7510. Onderzoekers werken in afgeschermde omgevingen met audittrails. Alleen de noodzakelijke velden voor het model worden gebruikt.
Het project onderzoekt ook federated learning, waarbij modellen leren over data die in het ziekenhuis blijven. Dat verkleint de noodzaak om ruwe data centraal te delen. Modelupdates reizen, niet de gegevens. Dit past bij dataminimalisatie en verkleint lekrisico’s.
Patiënten krijgen duidelijke informatie over doel, bewaartermijnen en rechten. Toestemming of een andere geldige grondslag wordt vastgelegd volgens de wet. Er komt een governance-structuur met medisch-ethische toetsing en patiënteninput. Transparante communicatie moet vertrouwen in het systeem vergroten.
AI Act stelt hoge eisen
De Europese AI-verordening classificeert medische diagnosehulpen als hoog-risico. Aanbieders moeten voldoen aan strenge eisen voordat gebruik is toegestaan. Denk aan risicobeheer, data-kwaliteit, logging en menselijk toezicht. Ook na introductie is er post-market monitoring verplicht.
Voor zorginstellingen betekent dit extra documentatie en duidelijke verantwoordelijkheden. Het algoritme moet uitlegbaar zijn voor professionals en toezichthouders. Er komt uitgebreide technische documentatie, inclusief prestatiecijfers en beperkingen. Logbestanden maken achteraf controle mogelijk.
De AI Act sluit aan op de Europese medische hulpmiddelenwet (MDR) en CE-markering. Daardoor is zowel een klinische evaluatie als kwaliteitsmanagement nodig. Een aangemelde instantie beoordeelt het hulpmiddel voor markttoelating. Voor updates gelden wijzigingenbeheer en herbeoordeling als risico’s veranderen.
In Nederland houden IGJ en andere toezichthouders toezicht op veilige toepassing. Ziekenhuizen moeten processen inrichten voor incidentmeldingen en audit. Leveranciers moeten beveiligingsupdates en biascontroles kunnen aantonen. Dit alles vraagt samenwerking tussen IT, juridische teams en clinici.
Invoering in Nederlandse zorg
Pilots starten in gynaecologische klinieken om de zorgroute te verbeteren. Artsen krijgen training in het gebruik en de grenzen van het systeem. De workflow wordt ingericht met “human-in-the-loop”, zodat het advies controleerbaar blijft. Er komen duidelijke fallback-procedures bij twijfel.
Naast veiligheid telt doelmatigheid in de Nederlandse bekostiging. Het consortium onderzoekt of het systeem doorverwijzingen, beeldvorming en operaties beter kan sturen. Minder onnodige ingrepen en sneller duidelijkheid kunnen kosten besparen. Zorgverzekeraars en kwaliteitsregistraties kijken mee naar uitkomsten.
Het algoritme heeft ook beperkingen, zoals ruis in beelden en variatie in apparatuur. Fout-positieven kunnen overdiagnose geven; fout-negatieven missen juist ziekte. Daarom blijft klinisch oordeel leidend en is externe validatie essentieel. Publicatie van methodes en cijfers vergroot controleerbaarheid.
Als de resultaten goed zijn, volgt opschaling naar meer ziekenhuizen. Samenwerking met Europese centra kan het model verder versterken. Dat past bij afspraken over datadeling en interoperabiliteit in de EU. De komende jaren moet blijken hoe AI hier de standaardzorg kan ondersteunen, binnen de kaders van AVG en AI Act.