Van katten en honden herkennen naar zelf bouwen

Toen ik me tijdens mijn studie in Delft verdiepte in AI, werkten we aan modellen om foto’s met katten, honden en olifanten uit elkaar te houden. We spraken in die tijd nog vooral over machine learning, en wat zulke modellen konden was overzichtelijk: patronen herkennen in de gegevens die ze kregen aangeboden. Iedere volgende stap, van beelden herkennen naar het begrijpen van taal, kostte de onderzoekswereld jaren.

De afgelopen jaren is deze ontwikkeling in een stroomversnelling gekomen. In 2023 haalden de nieuwste modellen binnen één jaar de mens in op universitair redeneren, en sinds kort schrijven ze zelfstandig software. Met die laatste stap komt AI in een andere rol terecht. Naast de efficiëntie-assistent die velen kennen voor het beantwoorden van vragen en het samenvatten van teksten, kan AI nu ook zelf oplossingen bouwen, en daar liggen voor zorgorganisaties grote kansen.

Nieuwe manieren om grip te krijgen

Deze ontwikkeling verandert ook ons eigen werk. Vroeger kostte het jaarlijkse onderzoek naar de financiële positie van ziekenhuizen ons vele dagen jaarrekeningen overtypen. Dit jaar hebben we een AI-pipeline ontwikkeld waarmee we data geautomatiseerd inlezen en structureren. Zo kunnen collega’s binnen één dag na publicatie meer nieuwe inzichten genereren dan ooit tevoren. Daarnaast bouwde een collega uit eigen interesse een tool die honderden miljoenen openbare datapunten over de Nederlandse zorg met elkaar verbindt en in staat is om complexe demografische prognoses, marktanalyses en financiële analyses zelfstandig uit te voeren.

Voor organisaties in de zorg biedt dit ook nieuwe mogelijkheden. Decennialang hebben zij hun processen aangepast aan de software die ze inkochten. Nu AI zelf kan bouwen, wordt het voor het eerst realistisch om het andersom te doen en hulpmiddelen te maken die aansluiten op het eigen proces.

Neem de inkoop van een groot ziekenhuis. Er komen jaarlijks duizenden verschillende producten binnen, van verbandmiddelen tot apparatuur. Of daar PFAS in zit, is voor de organisatie zelf vaak nauwelijks te achterhalen. Samen met een ziekenhuis ontwikkelden we AI-agents die op het internet productinformatie en documentatie van leveranciers opzoeken, systematisch doorlichten en vervolgens elkaars werk controleren. Hieruit volgt een overzichtelijke lijst met producten waar potentieel PFAS in zit. Zo helpt AI grip te krijgen op de stroom aan producten en draagt het ziekenhuis daarmee verder bij aan de gezondheid van patiënten.

Wij zien dat er in elke zorgorganisatie veel meer van zulke vraagstukken liggen waarvoor tot nu toe de mensen of de tijd ontbraken. Denk aan het bijhouden van de voortgang van honderden lopende projecten, het doorrekenen van wat een zorgverschuiving betekent voor de rest van de organisatie, of het voorspellen van no-shows op basis van patiëntkenmerken en het weerbericht. Nu het mogelijk is om het ‘ongrijpbare’ vast te pakken, is het voor bestuurders belangrijk snel zelf met AI aan de slag te gaan, want wie nu experimenteert, krijgt gevoel voor wat haalbaar is, wat het kost en waar de valkuilen zitten. Dat gevoel komt goed van pas wanneer er straks grotere keuzes gemaakt moeten worden.

Techniek alleen is niet genoeg

Toch moeten we ons niet te snel rijk rekenen. De echte impact van AI ontstaat pas als mensen hun manier van werken veranderen, en de geschiedenis leert dat techniek daarvoor alleen niet genoeg is. De Amerikaanse chirurg en schrijver Atul Gawande beschrijft dit in zijn essay Slow Ideas. Hierin zet hij uiteen waarom de ene medische uitvinding zich in korte tijd over de wereld verspreidt en waarom de andere daar decennia over doet.

Neem anesthesie. Op 16 oktober 1846 liet een tandarts in het Massachusetts General Hospital in Boston zien dat een patiënt dankzij een nieuw gas pijnloos geopereerd kon worden. Het nieuws ging als een lopend vuurtje rond. Binnen twee maanden werd dit gas ook in Parijs en Londen gebruikt, een half jaar later in het grootste deel van de wereld.

Bij desinfectie, minstens zo’n grote doorbraak, zagen we het tegenovergestelde. Infecties waren destijds de grootste doodsoorzaak na een operatie en kostten de helft van de patiënten met een grote ingreep het leven. In 1867 beschreef de Britse chirurg Joseph Lister in The Lancet hoe hij handen, instrumenten en wonden ontsmette met carbolzuur. Op zijn eigen afdeling daalde de sterfte na amputaties van ruim 45 procent naar 15 procent. Toch opereerden chirurgen in Boston twintig jaar later nog steeds in zwarte jassen, stijf van het bloed van eerdere operaties, destijds het kenmerk van een harde werker. Het duurde een generatie voordat desinfectie gangbaar werd.

Gawande ziet een belangrijke verklaring voor dat verschil: anesthesie maakte het werk van de chirurg direct makkelijker, terwijl desinfectie vooral extra moeite kostte, voor een opbrengst die pas later en bij een ander zichtbaar werd. Dankzij anesthesie lag er geen schreeuwende patiënt meer op tafel, terwijl de voordelen van het voorkomen van infecties pas dagen later merkbaar waren: in de kliniek of zelfs thuis.

Bij AI kunnen we hier veel van leren. AI als persoonlijke assistent heeft zich verspreid zoals anesthesie dat deed: wie een lang rapport laat samenvatten of een lastige mail laat herschrijven, merkt het voordeel direct en zelf. Dat verklaart ook waarom AI zo breed gebruikt wordt. Het herinrichten van processen lijkt eerder op desinfectie. Het vraagt van mensen dat ze vertrouwde routines loslaten, de inspanning komt vaak bij anderen terecht dan de opbrengst, en die opbrengst wordt pas na verloop van tijd zichtbaar, op het niveau van de organisatie als geheel.

Wat we aan tafel hoorden

We spraken met bestuurders van zorgorganisaties en zorgverzekeraars over waar zij met AI al grip op hebben gekregen en waar zij die grip willen krijgen. Diezelfde avond maakten we met behulp van AI een synthese van de opgenomen gesprekken om met de aanwezigen te bespreken (zie figuren 3 en 4).

Het patroon van Gawande keert daarin terug. De gebieden waar AI al draait (groene bollen) zijn vooral efficiëntiewinsten: snel teksten en presentaties maken werd het vaakst genoemd, en een AI-update van de leverancier bracht de scantijd op een MRI-scanner terug van 25 naar 7 minuten. Zulke winst is direct zichtbaar en vraagt weinig verandering van wie ermee werkt.

Daarnaast hoorden we urgentie om te veranderen zelden als grote drijfveer. Vooralsnog is de belangrijkste factor voor verandering de ambitie van bevlogen koplopers en nieuwsgierige makers. Voor de meeste potentiële use cases ontbreekt de schreeuwende patiënt dus nog.

De technologie is inmiddels ver genoeg om zorgorganisaties grip te geven op vraagstukken die tot voor kort buiten bereik lagen. Of die kans ook wordt benut, hangt af van bestuurders en van professionals die samen hun eigen werk opnieuw vormgeven. Zorgen dat AI wordt ingezet waar het echt waarde toevoegt voor de organisatie en de zorg, is hierbij cruciaal. Dat kan door de opbrengst zichtbaar te maken en te zorgen dat die terechtkomt bij wie de inspanning levert.

Over deze essayreeks
Gebruik van AI is niet meer weg te denken uit ons leven. Hulp bij het schrijven van een mail of een snelle samenvatting van een lang document: gemak van alledag. Ook in de zorg stapelen de voorbeelden zich op: spraakgestuurd rapporteren, AI-beoordeling van scans, wondzorg op afstand, AI die patiëntvragen beantwoordt. Wat gisteren nog een demo was, is vandaag haalbaar op grote schaal.

Begin oktober spraken we met zorgbestuurders, toezichthouders en zorgverzekeraars over de vraag wat AI voor de zorg gaat betekenen. De komende weken delen we vanuit drie essays onze visie op drie AI-gerelateerde thema’s en de inzichten uit de tafelgesprekken hierover.

1. Grip met AI: Over de kansen van AI voor zorgorganisaties en waarom techniek alleen niet genoeg is
2. Arbeidsbesparing door AI: Over de potentie van AI om de personeelstekorten in de zorg op te lossen en waarom we ons niet rijk moeten rekenen
3. Baas over eigen denken: Over de risico’s die werken met AI met zich meebrengt en welke onderdelen zorgorganisaties moeten beschermen