De dokter die leerde beslissen met AI
Hoe een ziekenhuis de drempel naar klinische AI verlaagde met drie simpele keuzes
Op papier was het een eenvoudig besluit: een algoritme inzetten om artsen te helpen bij de inschatting van longontstekingen. Niet om te vervangen, niet om over te nemen, gewoon om sneller en beter te oordelen.
In de praktijk bleken drie dingen moeilijker dan verwacht: vertrouwen winnen, timing kiezen en waarde aantonen.
En toch werd het een succes. Vandaag gebruikt een groot Amerikaans ziekenhuis een AI-systeem dat dagelijks tientallen levens beïnvloedt. Niet met mirakels, maar met subtiele inzichten.
En dat begon bij iets kleins.
Wat deze casus zo leerzaam maakt, is dat het niet gaat om technologie op zich, maar om strategische keuzes: hoe integreer je AI in een complexe omgeving, hoe neem je mensen mee, en hoe zorg je dat het systeem niet alleen werkt, maar ook gedragen wordt?
Wil jij als executive leren hoe je zulke strategische keuzes maakt in een wereld die steeds meer door data en AI wordt gestuurd? Ontdek de Masterclass AI & Strategie voor Executives van Jeroen De Flander bij TIAS Business School.
De klinische realiteit: druk, twijfel en tijdsdruk
Dr. Meredith W., longarts in het ziekenhuis, vat het zo samen:
“We maken elke dag tientallen beslissingen met beperkte data, onder hoge druk. Soms is het duidelijk. Vaak is het grijs.”
Patiënt X komt binnen met koorts, hoesten, lichte ademnood. Is het griep? Covid? Longontsteking? Of gewoon een reactie op medicatie? Op basis van bloedwaarden, hartslag, zuurstofsaturatie en longfoto’s moet snel gehandeld worden.
Tot voor kort gebeurde dit op ervaring, protocollen en buikgevoel. Maar nu is er een vierde input: een AI-model dat werkt als tweede mening.
Het model analyseert de data van duizenden eerdere patiënten met gelijkaardige symptomen, en geeft een inschatting van risico op complicaties, kans op bacteriële versus virale oorsprong, en suggesties voor behandelingspaden.
Geen hype, wel impact
Het systeem werd ontwikkeld in samenwerking met een medische universiteit en getraind op lokale data: patiëntendossiers van de voorbije tien jaar, zorgvuldig geanonimiseerd en gecodeerd.
Belangrijk: de uitrol gebeurde niet ‘top-down’, maar via co-creatie met artsen zelf.
“We wilden geen black box die iets roept. We wilden iets dat meedenkt zoals wij – en beter is in dingen die wij moeilijk vinden: verbanden zien in veel variabelen tegelijk.” (Dr. W.)
Het resultaat?
28% snellere beslissing over het juiste antibioticum
17% minder onnodige ziekenhuisopnames
32% minder variatie tussen artsen voor gelijkaardige cases
Maar belangrijker nog: de artsen zelf vinden het systeem nuttig.
Drie strategische keuzes maakten het verschil
1. De AI kwam niet in de plaats van de dokter – maar naast haar
Vanaf dag één werd gecommuniceerd: dit is géén beslissingsmachine. Het is een klinische co-piloot.
Elke suggestie wordt voorzien van een ‘waarom’. Niet alleen een score, maar ook de onderliggende factoren. Artsen kunnen feedback geven (“goede suggestie” of “onzin”), waarmee het systeem zichzelf bijstuurt.
2. Kleine start, gericht op groot vertrouwen
In plaats van meteen alles te willen ondersteunen, begon men met één aandoening: pneumonie (longontsteking). Een domein met relatief duidelijke data, en groot impactpotentieel.
Dat beperkte scope werkte. De artsen konden het systeem ‘leren kennen’. En na zes maanden was de acceptatiegraad hoog genoeg om andere domeinen (sepsis, hartfalen) te overwegen.
3. Transparantie boven performance
Men koos expliciet voor een model dat iets minder accuraat was dan de complexste deep learning-oplossing, maar wél uitlegbaar bleef. Want zonder uitleg: geen vertrouwen. En zonder vertrouwen: geen gebruik.
Dit is geen toekomstmuziek
Het ziekenhuis in kwestie is geen Big Tech-proeflabo. Het is een universitair ziekenhuis in het Amerikaanse Midwesten, met een sterk IT-team maar beperkte middelen.
Ze kozen ervoor om met bestaande open-source modellen te starten, en werkten met een extern bureau om de eerste proof-of-concept op te zetten. De grootste investering? Niet geld. Maar tijd van artsen. Want alleen zij konden valideren of de AI écht werkte.
Vandaag is het systeem volledig ingebed in het EPD (elektronisch patiëntendossier). Bij elke consultatie verschijnt automatisch een suggestie wanneer een patiënt voldoet aan bepaalde criteria.
Niet opdringerig. Maar beschikbaar.
Wat kan jij als leider hiervan leren?
Zet je expert centraal, niet je model
Laat AI geen eiland zijn, maar een assistent voor vakmensen. Wat een dokter ervaart, voelt een jurist, leerkracht of ingenieur ook: AI mag nooit arrogantie uitstralen.
Klein beginnen = vertrouwen bouwen
Eén probleem oplossen is beter dan tien beloven. Kies een domein waar veel twijfel is, veel data zijn, en waar je snel impact ziet.
Verklaarbare modellen geven je legitimiteit
Je hoeft niet altijd de accuraatste AI. Wel de meest begrijpbare. Dat verlaagt de drempel tot gebruik en opent ruimte voor leren.
Zorg voor feedbackloops
Laat je gebruikers feedback geven. Zo leert je systeem bij, maar vooral: zo voelen gebruikers zich eigenaar.
Data is niet genoeg
Zonder draagvlak geen gebruik. Zonder gebruik geen data. Zonder data geen verbetering.
Wat dit ziekenhuis goed deed, was niet alleen een model maken, maar een gewoonte bouwen. AI werd een gesprekspartner in de kliniek. Geen robotdokter. Geen hype. Maar een stille kracht op de achtergrond.
“Soms zegt de AI iets dat ik zelf al dacht. Dan voel ik me gesterkt. Soms zegt het iets anders. Dan dwingt het me om beter te kijken.”
Wil jij weten hoe AI jouw organisatie kan ondersteunen zonder weerstand te creëren?