Een nieuwe whitepaper onderzoekt waarom er een kloof bestaat tussen onderzoek en praktijk in de zorg. Menselijke factoren, technische uitdagingen en infrastructurele aspecten van kunstmatige intelligentie (AI) in de gezondheidszorg worden besproken, om zo een startpunt te bieden voor onderzoekers, zorgprofessionals en beleidsmakers.
De whitepaper is een initiatief van het VU Campus Center for AI & Health. Drie instellingen, de Vrije Universiteit Amsterdam, Amsterdam UMC en de Hogeschool van Amsterdam, werken samen in multidisciplinaire consortia om AI-uitdagingen vanuit alle invalshoeken te tackelen. De paper gaat in op de mechanismen achter de huidige implementatiebarrières. Samenwerking is daarbij cruciaal om innovatieve, mensgerichte AI te ontwikkelen die voordelen biedt voor patiënten, naasten, zorgprofessionals en de samenleving.
Potentieel om druk op de zorg te verlichten
De maatschappelijke noodzaak tot innovatie in de zorg is duidelijk. De toenemende zorgvraag en het personeelstekort zetten professionals onder druk, terwijl AI kan ondersteunen bij besluitvorming en administratieve taken kan overnemen. “Met een vergrijzende bevolking, een recordaantal kankerdiagnoses en toenemende psychische problemen zou in 2050 bijna één op de drie werkenden in Nederland in de zorg nodig zijn. AI kan deze druk op veel niveaus verlichten”, aldus Mark Hoogendoorn, AI-wetenschapper aan de VU Amsterdam en betrokken bij het VU Campus Center for AI & Health.
Succes afhankelijk van menselijke factoren
De succesvolle integratie van AI in de zorg hangt af van enkele sleutelpunten: co-creatie, AI-kennis en-vaardigheden bij zorgprofessionals, en gebruikersacceptatie en -verantwoordelijkheid. Deze factoren bepalen de acceptatie, bruikbaarheid en effectiviteit van AI in de zorg, en daarmee ook de patiëntuitkomsten. Onderzoekers benadrukken dat AI een aanvulling is, geen vervanging. “Bij borstkankerscreening leidt de combinatie van een AI-systeem en de expertise van een radioloog tot betere nauwkeurigheid dan een van beide afzonderlijk”, zegt Hoogendoorn.
Betrouwbaarheid gaat verder dan cijfers
De betrouwbaarheid van AI wordt beperkt door de complexiteit, omvang en volledigheid van datasets, waardoor generaliseerbaarheid lastig blijft. “Voor mij als zorgprofessional is het cruciaal dat een AI-model betrouwbaar en robuust is, en dat ik kan begrijpen waarom het model een bepaalde uitkomst geeft”, zegt Edwin Geleijn, fysiotherapeut bij Amsterdam UMC. Evaluaties in de praktijk zijn daarom onmisbaar.
Uitdagingen in de AI-levenscyclus
Na ontwikkeling ontstaan bij implementatie en monitoring nieuwe uitdagingen: juridische kwesties rondom datagebruik, het delen van gegevens tussen instellingen, technische integratie en afstemming met werkprocessen.
Samenwerken voor betrouwbare AI in de zorg
Veelbelovende richtingen liggen zowel in technologische als in organisatorische innovaties: betere AI-ontwikkeling, verbeterd databeheer, training voor professionals en monitoring in de praktijk. Het aanpakken van menselijke, technologische en infrastructurele uitdagingen is hierbij essentieel. De onderzoekers kijken ernaar uit om deze innovaties samen met de bredere AI-zorgcommunity verder te brengen.
