AI: van visie naar praktijk

Promovendi Laura van Poppel: “AI kan artsen helpen om betere beslissingen nemen”

AI is niet meer weg te denken uit de zorg. Het onderwerp is volop in beweging, getuige ook de recente kamerbrief van het ministerie van VWS over zorgvuldige ontwikkeling en AI-gereedheid. Zorgorganisaties staan voor de uitdaging om AI niet alleen technisch, maar ook ethisch en organisatorisch te verankeren. Bij BeBright zien we dat succesvolle en grootschalige implementatie vraagt om visie, governance en samenwerking tussen mens en technologie.

Laura van Poppel is onze nieuwste Bright. Binnenkort promoveert ze aan het Amsterdam UMC op haar onderzoek naar de toepassing van AI op radiologische beelden van patienten met een acute beroerte. Samen met radiologen en neurologen werkt ze aan zorg die echt past bij de patiënt, door slimme inzet van technologie. Jiska de Wit ging met haar in gesprek over haar onderzoek en over wat nodig is om AI duurzaam te verankeren in beleid, organisatie en praktijk.

Welkom bij BeBright Laura. Kun je kort vertellen waar jouw onderzoek precies over gaat?
Mijn onderzoek richt zich op radiologische hersenbeelden van patiënten met een acute beroerte. Of een behandeling effectief en veilig is hangt namelijk sterk af van de conditie van het hersenweefsel. Hoe verder de schade is gevorderd, hoe kleiner het voordeel van behandeling; er is zelfs het risico dat de behandeling meer kwaad dan goed doet.

Op dit moment baseren artsen hun beslissing vaak op het tijdsverloop sinds het ontstaan van de beroerte, maar dat is niet altijd betrouwbaar. Bij veel patiënten is simpelweg niet bekend wanneer de beroerte ontstond. Bovendien spelen er andere factoren die het verloop van een beroerte beïnvloeden, zoals de aanwezigheid van kleine bloedvaten die het getroffen hersengebied alsnog van bloed kunnen voorzien en zo de schade kunnen beperken. Die blijven nu buiten beschouwing. Idealiter baseer je de behandelbeslissing niet op de verstreken tijd, maar op wat de hersenbeelden laten zien over de daadwerkelijke schade bij de patiënt.

Wat kan deze aanpak artsen en patiënten opleveren?
AI helpt ons om meer te zien op een CT-scan dan met het blote oog mogelijk is. Zo kunnen artsen beter inschatten of een behandeling effect zal hebben en of het risico gerechtvaardigd is. Dat maakt de zorg doelmatiger en beter afgestemd op de individuele patiënt.

Naast weefselpatronen spelen ook (ethische) waarden en voorkeuren van patiënten en familie een rol. Hoe neem je die mee?
Zulke thema’s zijn essentieel. Als iemand van 90 binnenkomt met een infarct, moet je goed afwegen wat er na behandeling nog aan kwaliteit van leven overblijft. AI kan niet alles overzien, maar geeft wel waardevolle extra informatie, zodat artsen beter afgewogen besluiten kunnen nemen.

Je onderzoek levert een technische ‘proof of concept’. Uit onderzoek (Gommers et al., 2025) blijkt dat maar 2% van de AI modellen die ontwikkeld worden in de zorg, het bed van de patiënt bereikt. Waar zit de grootste uitdaging?
De grootste uitdaging zit niet in het ontwikkelen van een werkend AI-model, de echte barrière ligt in het traject daarna. De meeste AI-modellen zijn alleen retrospectief getest, terwijl je voor implementatie prospectief moet aantonen dat klinische beslissingen op basis van AI ook écht tot betere patiëntuitkomsten leiden. Dat onderzoek is kostbaar en tijdrovend. Daarnaast blijft vaak onduidelijk of de implementatiekosten, IT-infrastructuur en training opwegen tegen de potentiële gezondheidswinst. En ten slotte moet AI naadloos in de bestaande acute zorgketen passen zonder behandelvertraging, wat aanpassingen van protocollen en draagvlak bij zorgverleners vraagt. Kortom: van technische proof of concept naar klinische implementatie vraagt veel meer dan alleen een goed werkend algoritme: het vraagt een bewezen meerwaarde in de praktijk.

Sommige onderzoekers stellen dat AI niet per se uitlegbaar hoeft te zijn zo lang de effectiviteit overtuigend is aangetoond. Artsen begrijpen ook niet alle medische apparatuur die ze gebruiken (Moonen et al., 2025). Hoe kijk jij daar tegenaan?
Dat is een interessant perspectief. Voor sommige toepassingen klopt dat ook. Mijn modellen herkennen weefselpatronen en dat is voor artsen best goed te volgen. Andere modellen zijn complexer en minder intuïtief. Het risico dat Moonen et al. beschrijven is valse causaliteit. Een gevonden verband wordt ten onrechte als oorzakelijk gezien. Zij geven als oplossing om het model niet zozeer het uitlegbaar te maken, maar de data en validatie transparanter.

Ik denk dat we ons vooral moeten afvragen: wanneer is uitlegbaarheid nodig? Bij modellen die direct meewegen in klinische beslissingen vind ik uitleg wel waardevol, mits goed gedaan: maak duidelijk dat het om correlaties gaat, formuleer do’s & don’ts voor interpretatie, combineer met stevige validatiestudies en train gebruikers. Of het model nu wel of niet uitlegbaar is: het moet gedurende zijn levensduur steeds opnieuw geëvalueerd worden, zodat het relevant en betrouwbaar blijft in de actuele klinische praktijk. 

Ook jouw model neemt voorlopig geen autonome behandelbeslissingen. Wat vraagt het van artsen om te leren samenwerken met AI?
Dat vraagt om zorgvuldige processen, onboarding en een duidelijke rolverdeling. Zie AI als het inwerken van een nieuwe collega: je moet elkaar leren kennen en weten wat je van elkaar mag verwachten. Denk minder in puntoplossingen en ontwerp zorgprocessen waarin mens en AI elkaar versterken. Zo voorkom je dubbel werk en is de juiste informatie op het juiste moment beschikbaar voor arts en patiënt.

AI is geen statisch hulpmiddel. Context, patiëntpopulatie en de kennis blijven veranderen. Hoe waarborg je dat AI ook op de lange termijn goed blijft functioneren?
Richt binnen een zorgorganisatie een centraal orgaan op dat AI-toepassingen overziet, monitort en evalueert. Niet alleen technisch, maar ook organisatorisch. Denk aan periodieke training van modellen en continue afstemming met gebruikers. Zo blijft het model relevant en veilig in de actuele praktijk.

Hoe helpt jouw achtergrond zorgorganisaties om AI duurzaam te implementeren?
Mijn ervaring met AI-ontwikkeling en het werken in de uitdagende complexiteit van een zorginstelling maakt dat ik de technische kant begrijp, maar óók de organisatorische uitdagingen. Ik heb een hart voor digitalisering in de zorg en ik wil met die ervaring zoveel mogelijk zorgorganisaties ondersteunen in hun strategie en implementatie van AI, zodat AI een waardevolle bijdrage levert aan de transformatie van zorg.

De mensgerichte aanpak van BeBright past daar perfect bij: samen werken aan deze uitdagingen, vanuit een intrinsieke motivatie om de zorg te verbeteren.

AI is voor BeBright geen doel op zich, maar een strategisch middel om de zorg toekomstbestendig te maken. We helpen zorgorganisaties bij het ontwikkelen van een heldere visie en strategie op AI, het inrichten van governance, en het grootschalig implementeren van AI in de praktijk.  Wilt u weten hoe u AI structureel en verantwoord kan inzetten? Maak vrijblijvend kennis met Laura en Jiska en ontdek wat BeBright voor u kan betekenen.

Interessant artikel? Meld je dan hier aan en ontvang elke 2 maanden de BeBright nieuwsbrief.