AI in de spreekkamer: een technisch perspectief op de toekomst van reumatologie

Martijn van Grieken | Directeur Data & AI, Twentynext
Voor het Nerass-congres ‘AI onder de knie’ – 16 mei 2025

Als techneut tussen de witte jassen voel ik me soms een vreemde eend in de bijt. Maar juist die buitenstaanderspositie geeft perspectief. De afgelopen jaren heb ik met verbazing gekeken naar hoe de medische wereld worstelt met technologie die in andere sectoren al gemeengoed is. Deze whitepaper is mijn poging om de kloof tussen tech en zorg te overbruggen – specifiek voor de reumatologie.

Een waarschuwing vooraf: ik schrijf vanuit mijn technische achtergrond. Waar medische nuances ontbreken, hoop ik dat te compenseren met praktische inzichten over wat AI wel en niet kan. Want daar gaat het vaak mis – te hoge verwachtingen of juist onnodige angst voor technologie.

De realiteit: waarom de zorg AI nodig heeft (en andersom)

Vanuit mijn kantoor kijk ik regelmatig naar de cijfers. 40% van de tijd van specialisten gaat op aan administratie. Veertig procent! In de tech-wereld zouden we dat een bug noemen, niet een feature. We automatiseren processen die 5% tijdwinst opleveren, maar in de zorg accepteren we dat hoogopgeleide professionals de helft van hun tijd verdoen aan typwerk.

De demografische tijdbom tikt ondertussen door. Meer ouderen, meer chronische ziekten, minder zorgpersoneel. De rekensom klopt niet. In 2040 zou theoretisch een kwart van Nederland in de zorg moeten werken om aan de vraag te voldoen. Dat gaat niet gebeuren.

Hier zie ik een rol voor AI – niet als wondermiddel, maar als gereedschap. Net zoals een graafmachine efficiënter is dan een schep, kan AI efficiënter zijn dan handmatige data-analyse. Maar u moet wel weten wanneer u welk gereedschap inzet.

AI ontmythologiseerd: wat het écht is

Laten we beginnen met wat AI niet is: magie. Het is statistiek op steroïden, patroonherkenning op grote schaal. Ik verdeel het graag in hapklare brokken:

Pattern matching ‘on steroids‘
Machine learning is in essentie een hele slimme zoek-en-vergelijk machine. U voert duizenden voorbeelden in (“deze patiënten kregen een opvlamming”) en het systeem leert de gemeenschappelijke kenmerken. Niet anders dan een arts die na jaren ervaring patronen herkent, maar dan zonder vermoeidheid of vooroordelen.

Beeldherkenning die niet moe wordt
Computer vision voor medische beelden is misschien wel de meest volwassen AI-toepassing. Een model dat fracturen detecteert presteert consistent – of het nu maandagochtend of vrijdagmiddag is. Geen koffie nodig, geen nachtdienst-dip. Studies tonen 95-98% nauwkeurigheid. Maar let op: het ziet alleen wat het geleerd heeft te zien.

Tekstbegrip zonder context
NLP kan medische teksten doorploegen en samenvatten. Handig voor die ellenlange EPD’s. Maar het begrijpt niet écht wat er staat – het herkent patronen in taal. Groot verschil.

De assistent die niet slaapt
Beslissingsondersteuning is waar het interessant wordt. Een systeem dat continu vitale functies monitort en alarm slaat bij afwijkingen. Het Johns Hopkins sepsis-systeem bespaart levens door vroege detectie. Maar nogmaals: het systeem beslist niet, het waarschuwt.

Reumatologie: ideaal voor AI, maar…

De reumatologie heeft kenmerken die het perfect maken voor AI: veel data (lab, beeld, kliniek), complexe patronen, en de noodzaak van vroege interventie. Maar er zijn uitdagingen.

Het diagnoseprobleem
Reuma in een vroeg stadium herkennen is lastig. Vage klachten, wisselende bloedwaarden. Een AI-model dat alle data combineert kan patronen zien die een mens mist. Maar – en dit is cruciaal – alleen als de inputdata kloppen. Een verkeerd ingevoerd labresultaat en uw model slaat de plank mis.

Behandeling: meer dan algoritmes
Het voorspellen welk biologisch medicijn werkt bij welke patiënt – dat is waar AI kan schitteren. Geen trial-and-error meer, maar datagedreven keuzes. Tenminste, in theorie. In praktijk is therapietrouw, levensstijl en psychosociale context minstens zo belangrijk. Dingen die moeilijk in data te vangen zijn.

De menselijke factor
Een AI kan perfect voorspellen dat mevrouw Jansen 85% kans heeft op een opvlamming. Maar wat als mevrouw Jansen liever het risico neemt dan weer bijwerkingen van medicatie? AI geeft getallen, mensen maken keuzes.

De harde realiteit: wat er mis kan (en zal) gaan

Na jaren in tech heb ik één ding geleerd: alles wat mis kan gaan, gaat mis. Bij AI in de zorg is dat niet anders.

Bias is een feature, geen bug
AI leert van historische data. Als uw zorgdata historisch scheef is (minder data van ouderen, migranten, vrouwen), dan wordt uw AI ook scheef. Een Amerikaans voorbeeld: een AI voor zorgverdeling discrimineerde omdat het zorgkosten als proxy voor zorgbehoefte gebruikte. Minderheden hadden lagere kosten (slechtere toegang) dus kregen minder zorg toegewezen. Technisch perfect, ethisch een ramp.

Blackboxproblematiek
“De computer zegt dat u medicijn X moet slikken.” “Waarom?” “Geen idee, het is een neuraal netwerk met 50 miljoen parameters.” Niet acceptabel in de zorg. Explainable AI is geen nice-to-have maar een must-have.

Garbage in, garbage out
Medische data is een puinhoop. Verschillende formaten, ontbrekende waarden, typefouten. Een AI is zo goed als zijn data. Opschonen kost vaak meer tijd dan het bouwen van het model zelf.

Praktische implementatie: lessons learned

Uit ervaring met AI-projecten in verschillende sectoren:

Start klein, denk groot
Begin met één duidelijk afgebakend probleem. Bijvoorbeeld: erosiedetectie op handfoto’s. Niet meteen het hele zorgpad willen automatiseren.

Gebruikers vanaf dag één
De beste AI die niemand gebruikt is waardeloos. Betrek artsen, verpleegkundigen, én patiënten bij het ontwerp. Hun weerstand of enthousiasme bepaalt het succes.

Integratie is key
Een standalone AI-tool wordt niet gebruikt. Punt. Het moet in de bestaande workflow passen. Dat betekent: integratie met EPD, PACS, en wat u verder maar gebruikt. Geen extra logins, geen copy-paste.

Meten is weten
Definieer vooraf wat succes is. Niet “AI implementeren” maar “20% minder gemiste diagnoses” of “30% tijdwinst bij verslaglegging”. Meet, evalueer, bijstuur.

De randvoorwaarden: geen compromissen

Ethiek en regelgeving
De EU AI Act komt eraan. Medische AI wordt high-risk. Dat betekent: certificering, audits, documentatie. Begin er nu al mee, niet als de inspectie voor de deur staat. Privacy (AVG) is non-negotiable.

Technische infrastructuur
AI vraagt rekenkracht en data-opslag. Cloud of on-premise? Beide kunnen, maar beslis bewust. Real-time toepassingen vragen lage latency. Batch-verwerking kan ’s nachts. Ken uw use case.

Organisatie en cultuur
De grootste bottleneck is vaak niet technisch maar menselijk. Weerstand tegen verandering, angst voor baanverlies, gebrek aan digitale vaardigheden. Investeer in training en change management. Een AI-champion per afdeling werkt wonders.

Data governance
Zonder goede data geen goede AI. Dat betekent: standaardisatie, kwaliteitscontroles, heldere verantwoordelijkheden. Saai maar essentieel.

De toekomst: realistisch optimisme

AI in de reumatologie (en breder in de zorg) komt eraan. Niet als vervanging van artsen maar als versterking. De arts die AI omarmt wordt een betere arts. Die meer tijd heeft voor patiënten. Die betere beslissingen neemt. Die minder administratie doet.

Maar het vraagt werk. Technisch, organisatorisch, ethisch. De technologie is er grotendeels al. Nu moeten we het nog goed implementeren.

Mijn advies? Begin vandaag. Klein. Met één probleem dat u écht wilt oplossen. Leer, faal, verbeter. Over vijf jaar is AI net zo gewoon als een stethoscoop. De vraag is alleen: bent u er klaar voor?

Naslagwerk

Voor wie meer wil weten – een praktische leeslijst:

• Over AI en bias: “Weapons of Math Destruction” – Cathy O’Neil
• Medische AI basics: “Deep Medicine” – Eric Topol
• Implementatie: “The Lean Startup” – Eric Ries (ja, ook voor zorg!)
• EU AI Act: europa.eu/ai-act (droge kost maar need-to-know)

Specifieke papers voor de liefhebber:

• Fractuurdetectie AI: Lindsey et al., Nature Medicine 2018
• Sepsis early warning: Komorowski et al., Nature Medicine 2018
• RA voorspelling: Norgeot et al., JAMA Network Open 2019

Disclaimer: Visie van een techneut. Medische experts, corrigeer me waar nodig.

Over dit artikel. Twentynext is verantwoordelijk voor de inhoud, maar kan juistheid en volledigheid niet garanderen. Zie onze disclaimer.