Healthcare & Life Sciences.

Klinische AI raakt de patiëntcasus zelf: het model beoordeelt medisch materiaal of beïnvloedt een behandelbesluit. Administratieve AI ordent het werk eromheen, zoals roosters, capaciteit, codering en correspondentie. Het onderscheid bepaalt welk toezicht geldt. Software die patiëntgegevens verwerkt met een medisch doel wordt in de regel als medisch hulpmiddel beoordeeld, ook wanneer zij alleen signaleert. Alleen zuivere opzoekfunctionaliteit die zelf niets met die gegevens doet, valt daarbuiten. Bepaal die classificatie voordat u bouwt, niet erna.

Begin niet bij het model maar bij een proces dat meetbaar knelt en waarvan de uitkomst achteraf te controleren is. Wachtlijstplanning, no-show-opvolging en het voorbereiden van verslaglegging zijn gebruikelijke eerste toepassingen, omdat een fout zichtbaar is en de schade beperkt blijft. Leg vooraf vast wie het advies beoordeelt, wat er gebeurt als het model er naast zit en hoe u terugvalt op de oude werkwijze. Een toepassing die u niet kunt uitzetten, is nog niet klaar voor de zorgvloer.

U heeft een afgebakende dataset nodig met bekende herkomst: wie legde die vast, volgens welke definitie, over welke periode, en op welke grondslag mag u die hiervoor gebruiken. Zonder vastgelegde uitkomsten, dus wat er werkelijk met de patiënt is gebeurd, valt een model niet te trainen of te valideren. Aan de governancekant hoort daar een vastgelegd doel bij, een risicobeoordeling, geregeld menselijk toezicht en een register van de modelversies die in gebruik zijn. Hoeveel data u nodig heeft verschilt sterk, want beeldvormende modellen zijn juist datahongerig. In onze eigen implementaties zien we dat registratieverschillen tussen afdelingen vaker knellen dan het volume.

Het nauwkeurigheidscijfer bovenaan deze pagina zegt iets over modelprestatie op een afgebakende dataset, niet over de waarde op de werkvloer. Lees zo'n cijfer daarom altijd met de vraag erbij: welk ziektebeeld, welke populatie, en is er prospectief gemeten? Meet vervolgens op de uitkomst die u wilde verbeteren, zoals doorlooptijd, onnodige verwijzingen of administratietijd per zorgverlener. Vergelijk met een periode of afdeling zonder de toepassing en herhaal de meting, want populaties en registratiegewoonten schuiven. Volg ook of het advies wordt opgevolgd, want structureel afwijken betekent dat het model niet aansluit.

De meest voorkomende fout is een model bouwen op data uit één instelling of één periode en aannemen dat het elders net zo werkt. Registratiegewoonten, patiëntpopulaties en apparatuur verschillen, waardoor de prestaties bij ingebruikname tegenvallen. Twee andere klassiekers: te veel waarschuwingen, waardoor zorgverleners ze gaan wegklikken, en geen eigenaar voor het model na oplevering, waardoor niemand merkt dat de kwaliteit wegzakt. Plan het beheer en de herijking daarom vanaf de start mee.