Groeien in drie stappen: Hoe je optimaal van AI kan profiteren
AI wordt steeds vaker genoemd als gamechanger in de zorg. Van voorspellende modellen tot geautomatiseerde rapportages: de mogelijkheden lijken eindeloos. Toch lijken veel initiatieven en proefballonnen te mislukken. En dat is onnodig, als de juiste stappen maar gezet worden.
De ontwikkeling van AI in de zorg - en daarbuiten - gaat razendsnel. De technologie belooft verlichting van administratieve lasten, betere onderbouwing van beslissingen en meer tijd voor zorgverleners. Maar na de eerste experimenten blijkt de weg naar daadwerkelijke toepassing complexer dan gedacht. Een van de grootste uitdagingen is de kwaliteit en structuur van de data. AI is afhankelijk van betrouwbare gegevens en een consistente manier om die data te verwerken. In veel zorgorganisaties is de informatiehuishouding historisch gegroeid, met verschillende systemen die niet altijd goed op elkaar aansluiten. Dit leidt tot inconsistenties in definities, ontbrekende koppelingen en beperkt hergebruik van data. Hierdoor blijven AI-initiatieven vaak hangen in theoretische potentie zonder praktische meerwaarde.
Horizontale en verticale AI
Een veelvoorkomende misvatting is dat AI eenvoudig toe te passen is door bestaande modellen, zoals ChatGPT, direct in te zetten. Hoewel deze systemen indrukwekkend zijn, missen ze vaak de benodigde context om in de zorg goed te functioneren. Zo kunnen generieke AI-modellen moeite hebben met het interpreteren van complexe zorgdata, en brengen ze risico’s met zich mee op het gebied van privacy en betrouwbaarheid. Zeker wanneer ze werken met ongestructureerde informatie, zoals vrije tekstvelden in dossiers, zijn de uitkomsten vaak onvoorspelbaar en niet toepasbaar in de praktijk. Om AI goed te laten aansluiten bij zorgprocessen, is het belangrijk onderscheid te maken tussen twee typen AI: horizontale en verticale modellen. Horizontale AI is breed inzetbaar en voert algemene taken uit, zoals het samenvatten van documenten of het beheren van emails. Deze modellen zijn gebaseerd op algemene taalmodellen en kunnen van waarde zijn op afdelingen als HR of administratie. Verticale modellen daarentegen zijn juist specifiek ontwikkeld voor één vakgebied of taak. In de zorg betekent dit dat ze bijvoorbeeld getraind zijn om zorgrapportages te controleren, of om behandelvoorstellen te genereren op basis van ECD-data. Ze begrijpen de context, werken met gestructureerde zorgdata, en zijn vaak diep geïntegreerd in bestaande systemen. Deze tweedeling verklaart waarom sommige AI-toepassingen in de praktijk slagen, en andere juist vastlopen. In de volgende twee voorbeelden laten we zien hoe belangrijk het is om niet alleen de juiste technologie te kiezen, maar vooral ook te zorgen voor de juiste basis en toepassing: afgestemd op het type taak, de beschikbare data en de professionals die ermee werken.
Casus 1: Personeelsplanning ouderenzorg
Een treffend voorbeeld is een ouderenzorgorganisatie die AI wilde inzetten om de inzet van zorgpersoneel beter te voorspellen. Het model leek veelbelovende resultaten te geven, maar toen zorgprofessionals de uitkomsten bekeken, bleken deze niet bruikbaar. De oorzaak? De onderliggende data waren incompleet en niet op de juiste manier gestructureerd. Registraties werden op verschillende manieren vastgelegd, waardoor het model verkeerde aannames maakte. Pas na een traject waarin de datakwaliteit werd verbeterd en de betrokken zorgprofessionals actief meedachten over de interpretatie van de uitkomsten, begon AI echt toegevoegde waarde te bieden. Dit illustreert dat succesvolle AI-toepassingen niet alleen draaien om technologie, maar vooral om een solide datastructuur en samenwerking tussen technologie en de mensen in de organisatie.
Casus 2: Machine learning in de jeugdzorg
Ook in de jeugdzorg en ggz worden stappen gezet met AI-toepassingen, zoals machine learning, om bijvoorbeeld risicoprofielen van jongeren met complexe hulpvragen te herkennen. Zo ontwikkelde een jeugdzorginstelling een algoritme dat signalen uit dossiers en meldingen analyseert om vroegtijdige escalatie te voorspellen. Toch liep het project al snel vast. De oorzaak? Het algoritme kreeg te maken met een wirwar aan ongestructureerde data: vrije teksten in rapportages, handgeschreven aantekeningen en uiteenlopende formats zonder vaste structuur. In tegenstelling tot gestructureerde data – zoals cliënten en hun producten, medewerkers en hun dienstverbanden – zijn ongestructureerde gegevens moeilijker te analyseren en vereisen ze eerst een vertaalslag. Zonder een stabiele basis van eenduidige, gestructureerde data blijven algoritmes zoals deze onbetrouwbaar en moeilijk reproduceerbaar. Het project maakte duidelijk dat een stevig datafundament, waarin zowel databronnen als datakwaliteit centraal staan, onmisbaar is voor succesvolle inzet van machine learning in de jeugdzorg. Pas als de basis op orde is, kan AI écht bijdragen aan vroegsignalering en betere besluitvorming.
De weg naar een duurzaam groeimodel
AI is geen kant-en-klare oplossing die direct resultaat oplevert. Het vraagt om een gestructureerde aanpak waarin data én de mensen die ermee werken centraal staan. Zorgorganisaties die succesvol gebruik willen maken van AI, doen er goed aan eerst te investeren in een solide fundament. Het volgende datagroeimodel onderscheidt drie fases: fundament, groei en bloei.
Fase 1: Fundament
In deze eerste fase zorg je ervoor dat de data en databeschikbaarheid op orde zijn. Voordat AI effectief ingezet kan worden, moet er eerst helderheid zijn over de beschikbare data. Dit betekent niet alleen gegevens verzamelen, maar ook deze gegevens betekenis geven en valideren op volledigheid en juistheid. Want zonder eenduidige definities en kwalitatief goede data blijft AI een verzameling losse experimenten zonder tastbare waarde. Daarnaast moeten gegevensverzamelingen goed ontsloten worden, zodat de data breed toegankelijk en bruikbaar zijn. Pas wanneer het gegevensbeheer op orde is, kunnen AI-toepassingen betrouwbaar worden ontwikkeld en ingezet.
Fase 2: Groei
In deze fase worden de drie kernonderdelen uit het fundament (data, databeschikbaarheid en AI) verder ontwikkeld. Data worden actiever beheerd en gekoppeld aan andere relevante databronnen. Dit verhoogt de databeschikbaarheid en stelt zorgprofessionals in staat om inzichten effectiever te gebruiken. De implementatie van BI-tools en analysetools helpt zorgorganisaties om op basis van data betere beslissingen te nemen. AI begint hier een ondersteunende rol te spelen, bijvoorbeeld door patronen te herkennen en inzichten te bieden die zorgverleners helpen bij hun werk. Steven van der Ziel, algemeen directeur van Bince AI is geen kant-en-klare oplossing die direct resultaat oplevert. Het vraagt om een gestructureerde aanpak
Fase 3: Bloei
In deze fase wordt AI gebruikt als natuurlijke aanvulling op zorgprocessen. De drie onderdelen uit het fundament worden verder geoptimaliseerd en verdiept. Data worden nog geavanceerder ontsloten en in samenhang geanalyseerd. AI wordt niet alleen gebruikt voor analyse, maar ook voor voorspellende toepassingen en ondersteuning van besluitvorming. Zorgverleners blijven een cruciale rol spelen in het valideren en interpreteren van de AI-uitkomsten. AI wordt geen doel op zich, maar een natuurlijke en structurele aanvulling op de dagelijkse zorgprocessen.
De juiste basis voor AI in de zorg
AI is geen eendagsvlieg. De technologie heeft zich al bewezen, maar de richting waarin deze zich ontwikkelt blijft onvoorspelbaar. Wat wél vaststaat, is dat zorgorganisaties moeten bepalen hoe ze AI op een doordachte manier integreren. Door de juiste basis te leggen en professionals actief te betrekken, wordt AI een waardevolle aanvulling op het zorgproces in plaats van een losstaand experiment. Door te investeren in data als fundament en BI en AI niet als doel maar als hulpmiddel te zien, kan de zorg profiteren van de voordelen van technologie.