Je hebt net een CT-scan gehad en wacht op uitslag. Wat je waarschijnlijk niet weet: in steeds meer Nederlandse ziekenhuizen heeft een algoritme die beelden al bekeken voordat de radioloog eraan begint. Niet om te beslissen, maar om te markeren, te sorteren, te signaleren. AI als diagnose-hulp is geen belofte voor later. Het draait nu al, in de dagelijkse praktijk van spoedeisende hulp en radiologieafdelingen, zij het stiller en beperkter dan veel krantenkoppen suggereerden. De vraag is niet meer óf het er is, maar wat het in de praktijk wel en niet kan.
Waar AI-diagnosetools nu echt draaien
De grote doorbraakberichten kwamen de afgelopen jaren in golven. Algoritmes die kanker beter detecteren dan dermatologen. Systemen die oogziektes zien die een arts zou missen. Dat klonk revolutionair, en dat was het ook, in de onderzoekssetting. In de spreekkamer en de ziekenhuisgang is de werkelijkheid genuanceerder.
In Nederland werken ziekenhuizen als het Radboudumc, het Amsterdam UMC en een aantal regionale centra al met CE-gecertificeerde AI-hulpmiddelen voor beeldanalyse. In Denemarken en het Verenigd Koninkrijk zijn nationale uitrolprogramma’s verder gevorderd. De tools die echt draaien, doen dat doorgaans in één smalle, goed gedefinieerde taak: het markeren van afwijkingen op een scan, het prioriteren van een werklijst, of het meten van een tumorgrootte.
Beeldherkenning: de sterkste toepassing tot nu toe
Het domein waar AI het meeste bewijsmateriaal heeft opgebouwd, is medische beeldvorming. Concreet gaat het om drie toepassingen die al routinematig worden ingezet.
Ten eerste de screening op longknobbeltjes via CT-scans. Systemen zoals Veye Lung Nodules en Aidence analyseren duizenden scans per dag op verdachte vlekjes, kleiner dan een centimeter. Ze markeren potentiële afwijkingen zodat de radioloog ze niet over het hoofd ziet in een volle werklijst. Ten tweede diabetische retinopathie: via een funduscamera maakt een algoritme foto’s van het netvlies en beoordeelt zelfstandig of er tekenen zijn van oogschade door diabetes. In sommige Britse en Nederlandse huisartsenpraktijken wordt dit al ingezet zonder dat er altijd een oogarts aan te pas komt. Ten derde borstkankerscreening: algoritmes ondersteunen de beoordeling van mammogrammen, waarbij de lezer weet dat een systeem eerder al heeft aangegeven waar het op focust.
Wat deze systemen gemeen hebben: ze zijn getraind op honderdduizenden gelabelde afbeeldingen, ze zijn uitstekend in het reproduceerbaar toepassen van één vaste taak, en ze werken het beste als de beeldkwaliteit goed is en de patiënt past binnen het type waarvoor het systeem is gevalideerd.
Laboratoriumdata en pathologie: een tweede front
Naast scans is er een tweede terrein waar AI sterk inzet: de analyse van data die al digitaal beschikbaar is. Bloedwaarden, vitaalparameters en patiënthistorie worden gecombineerd om vroege sepsis te signaleren. Het Epic-systeem, dat in meerdere grote Europese ziekenhuizen draait, heeft zo’n sepsisalert ingebouwd. Onderzoek laat zien dat het alert systeem eerder alarmeert dan verpleegkundigen dat handmatig zouden doen, al zijn er ook zorgen over het aantal valse alarmen dat werkdruk verhoogt in plaats van verlaagt.
In de pathologie is digitale dia-analyse in opkomst. Biopsieslides worden gescand en algoritmes zoeken naar kankercellen, tellen mitoses of schatten de agressiviteit van een tumor. Nog niet standaard, maar in academische centra geen experiment meer.
Wat de cijfers werkelijk zeggen
Validatiestudies rapporteren indrukwekkende getallen. Een sensitiviteit van 94 procent voor longknobbeltjes. Specificiteit vergelijkbaar met een tweede radioloog. Maar die cijfers verdienen context.
Vrijwel alle grote validatiestudies zijn gedaan op zorgvuldig samengestelde datasets, afkomstig uit dezelfde instelling als waar het systeem is getraind, of uit vergelijkbare westerse academische ziekenhuizen. Zodra je een systeem inzet in een ander ziekenhuis, met andere scanapparatuur of een andere patiëntpopulatie, zakt de prestatie zichtbaar. Een review gepubliceerd in The Lancet Digital Health concludeerde dat de meerderheid van AI-diagnostische modellen niet extern gevalideerd is op onafhankelijke datasets. Dat is een fundamenteel probleem dat de hype jarenlang heeft overschaduwd.
Waar AI structureel tekortschiet
De beperkingen zijn geen toevallige kinderziektes, ze zijn structureel. AI is goed in het herkennen van patronen in data waarop het getraind is. Dat betekent dat het systeem moeite heeft met zeldzame aandoeningen, met patiënten die meerdere aandoeningen tegelijk hebben (comorbiditeit), en met alles wat niet in de data zit.
Een beeldanalyse-algoritme ziet niet dat een patiënt al zes maanden opiaten gebruikt, dat ze dakloos is, of dat ze haar klachten onderschat omdat ze de taal niet goed spreekt. Sociaal-medische context is nagenoeg onzichtbaar voor de meeste huidige systemen. En juist die context bepaalt vaak het verschil tussen een goede en een slechte diagnose.
Er is ook het risico van amplificatie van bias. Als een systeem getraind is op data van overwegend blanke mannen van middelbare leeftijd, presteert het aantoonbaar slechter op vrouwen, oudere patiënten of mensen met een donkere huidskleur. Dit is geen theorie: bij huidkankerdetectie zijn dergelijke ongelijkheden gedocumenteerd.
De arts verandert van rol, verdwijnt niet
Radiologen en pathologen werken nu als toezichthouder op de AI-output. Dat klinkt als een stap terug, maar het is genuanceerder. Een radioloog die vroeger 200 scans per dag beoordeelde, krijgt nu een voorgeprioriteerde lijst: de gevallen die het algoritme als urgent of afwijkend heeft gemarkeerd, bovenaan. De routine-negatieve scans worden vaak sneller doorgelopen omdat de professional weet dat een tweede controle heeft plaatsgevonden.
Maar overrulen blijft essentieel. En dat vraagt iets nieuws van artsen: begrijpen hoe een systeem tot zijn conclusie kwam, de betrouwbaarheidsscores interpreteren, en de juiste professionele scepsis bewaren. Ziekenhuizen investeren steeds meer in training daarvoor.
Regelgeving als houvast
De EU AI Act, die gefaseerd van kracht wordt, plaatst medische AI in de categorie hoog-risico. Dat betekent transparantievereisten, documentatieplicht, menselijk toezicht en continue monitoring van de prestaties in de praktijk. In combinatie met de bestaande CE-markering voor medische hulpmiddelen (via de MDR-regelgeving) is dit een van de strengste kaders ter wereld.
Dat heeft een rem gezet op snelle uitrol, maar ook op ondoordachte uitrol. Leveranciers die een systeem op de markt willen brengen, moeten aantonen dat het werkt in de context waarvoor het bedoeld is. Niet alleen in een labsetting, maar in de praktijk. Voor patiënten is dat goed nieuws.
Wat patiënten mogen verwachten
Heb je recht te weten of een algoritme naar je scan heeft gekeken? Formeel gezien wel, als het systeem een rol speelt in de beslissing over jouw zorg. De EU AI Act en de AVG samen verplichten zorgaanbieders tot transparantie over geautomatiseerde besluitvorming. In de praktijk is die communicatie nog rudimentair: een vinkje in een informatiebrochure, zelden een gesprek.
Je kunt altijd vragen of een AI-tool is ingezet en wat de uitkomst was. En je hebt recht op een second opinion, van een mens. Dat verandert niet door technologie.
De eerlijke stand van zaken
AI medische diagnose werkt al betrouwbaar in een handvol specifieke, visuele taken met grote datasets en heldere criteria. Longknobbeltjes op CT, diabetisch netvlies, vroege tekenen van borstkanker op mammogrammen: dat zijn echte toepassingen met echte patiëntenvoordelen.
Wat jaren experimenteel blijft: generieke diagnostiek, zeldzame aandoeningen, de integratie van meerdere databronnen tot één advies, en alles wat sociaal of contextueel is. De AI die een arts volledig vervangt, is verder weg dan ooit gesuggereerd. De AI als betrouwbare assistent in een smalle taak is er al.
AI in medische diagnostiek is geen revolutie die alles omgooit, maar een gereedschap dat langzaam zijn weg vindt in de werkprocessen van artsen. Het helpt bij het sorteren van beelden, het sneller opsporen van bepaalde afwijkingen en het ontlasten van overvolle werklijsten. De uiteindelijke diagnose blijft de verantwoordelijkheid van een arts. Als je als patiënt wilt weten of een algoritme naar jouw beelden heeft gekeken, mag je dat gewoon vragen. De meeste ziekenhuizen zijn daar transparant over.
