Het is begrijpelijk en niet onterecht dat zorgverleners de toepassingen van AI in hun vakgebied kritisch beschouwen, aldus dataspecialist dr. P.C. (Philippe) Habets. Toch bieden de bijna letterlijk eindeloze mogelijkheden in de eerste plaats veel kansen om het dagelijkse werk zowel eenvoudiger te maken als beter uit te voeren. Met een eigen app draagt hij hieraan bij.
Dr. Philippe Habets heeft zowel geneeskunde als filosofie gestudeerd. Na gewerkt te hebben als arts-assistent psychiatrie, culmineerde 4 jaar onderzoek in een proefschrift over ontwikkelde computationele methoden om psychiatrische aandoeningen beter te kunnen voorspellen. Tijdens zijn promotieonderzoek ging hij tevens op zoek naar manieren om literatuur-searches in PubMed sneller en beter te doen. Het resultaat was een tool die uitgroeide tot een softwareapplicatie met een bedrijf eromheen (EvidenceHunt), waaraan hij sinds 3 jaar fulltime is verbonden.
Medische besluitvorming ondersteunen
Oncologen en andere zorgverleners kunnen AI gebruiken voor veel taken, vaak meer dan ze weten of durven, aldus Habets. “Bijvoorbeeld de nieuwste wetenschappelijke publicaties en richtlijnen volgen, consulten of vergaderingen samenvatten, en scans lezen.” Hij denkt dat AI ook specifiek voor oncologen van meerwaarde kan zijn: “AI biedt mogelijkheden voor het verbeteren van personalised medicine. Zo kun je met AI veel efficiënter analyseren welke evidence er is en hoe relevant die is voor specifieke casuïstiek. Ook bestaan er AI-gedreven initiatieven om behandelkeuzes nauwkeuriger te baseren op een specifiek genetisch profiel, waarbij nieuwe data doorlopend worden toegevoegd aan de achterliggende algoritmes om altijd up-to-date te blijven. Het idee is dat je behandelingen uiteindelijk steeds makkelijker en beter kunt personaliseren en de respons ervan kunt voorspellen. Dat is voor artsen, maar ook voor patiënten interessante informatie.”
Beperkingen versus kansen
Generalistische grote taalmodellen, zoals ChatGPT en Claude, hebben in dit verband een duidelijke beperking, weet Habets: “Die blijven een soort ‘glorified autocomplete models’. Autocomplete is een functie die wat je typt voorspelt en afmaakt. Deze modellen hebben dat opgeschaald naar het voorspellen en afmaken van een vraag-antwoordgesprek: ‘chatten’ met een chatbot. Het resultaat ziet er overtuigend uit. Maar het model produceert tekst op basis van een statistisch ‘geheugen’. Dat is iets anders dan informatie doorzoeken en gestructureerd selecteren op betrouwbaarheid. Een chatbot ‘overziet’ deze beperkingen niet, en weet niet automatisch welke informatie ontbreekt om een zinnig antwoord te kunnen geven. Een antwoord krijg je evengoed, dat soms ook echt klopt. Maar als het niet klopt, kun je dat nergens aan herkennen, en zelf verifiëren betekent handmatig informatie opzoeken. Dus in de kliniek is er nog een kloof tussen wat zorgverleners nodig hebben en wat een systeem kan waarmaken.”
Die kloof probeert klinische AI te overbruggen. “Als je daar modellen voor wilt ontwikkelen en geschikt maken voor breed gebruik, dan moet je taalmodellen combineren met aanvullende kennis of methodiek die artsen of wetenschappers bezitten, maar het model nog niet. Deze combinatie van technische kennis en specifieke domeinkennis kan een model opleveren waarop de zorgprofessional kan vertrouwen.”
Kritisch en wantrouwend
Precies aan vertrouwen ontbreekt het soms nog bij medici. Habets: “Zij vormen een vrij conservatieve groep gebruikers, al verandert dat wel. Ik begrijp de terughoudendheid ook. Zeker in Europa wordt uitermate kritisch gekeken naar kwesties rond verantwoordelijkheid, ethiek, veiligheid, betrouwbaarheid, enzovoort. Dat is terecht. Toch krijgen problemen en gevaren van AI soms wat veel nadruk, in plaats van mogelijkheden en waarde.” Hij stelt het volgende voor: “Voordat je verzandt in discussies over ethiek en veiligheid, kijk eerst goed of en zo ja welke waarde een toepassing van AI heeft, en of daar draagvlak voor is. Is dat duidelijk het geval, dan kun je nagaan hoe die toepassing meerwaarde kan hebben op een veilige, verantwoorde, en betrouwbare manier. Die volgorde ontbreekt soms, met een negatief effect op innovatieve initiatieven die echt impact op de zorg kunnen hebben. AI is er nu eenmaal, en wordt heel snel steeds breder ingezet. Mét de beperkingen die modellen hebben, kunnen ze evengoed al veel meer dan waarvoor ze in de zorg momenteel gebruikt worden. Door iets vaker ‘AI-savvy’ te denken en waardegedreven naar AI-toepassingen te kijken, denk ik dat AI veel sneller een positieve impact op de zorg kan hebben.”
Praktische kennistool
Een kennistool die medische literatuur op een betrouwbare manier ontsluit zonder risico op ‘hallucineren’ (eigenlijk fabuleren: informatie verzinnen), is EvidenceHunt. Habets heeft het helpen opzetten en er een bedrijf van gemaakt, dat hij inmiddels fulltime runt met een compagnon, Olivier Magnin. Hij omschrijft het als een platform dat met hulp van AI medische literatuur vindt, analyseert, samenvat en vergelijkt.
Habets vertelt hoe het begon: “Toen ik PhD computational psychiatry was, stortten een paar gelijkgestemde wetenschappers en ik ons op het probleem dat wetenschappelijke publicaties zoeken in PubMed zo tijdrovend was. Voor een systematische review (SLR) zocht ik eerst lang een goede query, waarna ik duizenden artikelen kreeg, die ik moest doorspitten en beoordelen op relevantie. We bouwden en valideerden voor onszelf een tool om dat sneller en effectiever te doen. Die heb ik daarna met Magnin verder uitgebouwd om de tool geschikter te maken voor extern gebruik. We hebben AI-methoden gebruikt om een chatfunctie en een zoekmodule te maken. Die zijn verbonden met PubMed, OpenAlex en andere kennisbronnen en richtlijnen. Naar keuze kunnen daaraan bijvoorbeeld ook interne ziekenhuisprotocollen worden toegevoegd.”
Richtlijnen doorlopend updaten
Gebruikers zijn zorgverleners en daarnaast iedereen die wetenschappelijke literatuur gebruikt: dat kunnen dus ook richtlijncommissies, verzekeraars, farmaceuten en overheden zijn. Habets vertelt dat EvidenceHunt expliciet niet aan klinische beslisondersteuning doet, maar aan het continu aanvullen en actualiseren van evidence voor diverse partijen, zoals onderzoeksinstellingen, farmaceuten, producenten van medical devices, en zeker ook richtlijncommissies.
Richtlijnen krijgen in Nederland gemiddeld om de 5 jaar een update, weet Habets. “Daaraan gaat een langdurig en tijdrovend proces vooraf. Met onze SLR-tool kun je in 2 weken in plaats van 3 maanden een systematische review doen. Ons platform voorziet ook in functies om geïncludeerde studies te vergelijken, data te extraheren en analytisch af te wegen. Om richtlijnen actueler te houden en sneller beschikbaar te maken voor gebruikers, willen we toewerken naar een soort evidence operating system, dat richtlijnen voortdurend ‘live’ up-to-date kan houden. Daar blijven altijd ook mensen bij betrokken, maar je bent veel minder tijd kwijt aan arbeidsintensieve cyclische literatuurbeoordelingen die gemiddeld 5 jaar achterlopen.”
Hallucinaties
Anders dan algemene taalmodellen zoals ChatGPT, is EvidenceHunt een voorbeeld van een tool die bij het zoeken ‘Retrieval-Augmented Generation (RAG)’ toepast. Habets: “Dat minimaliseert het risico op hallucinaties; ook wordt elke claim direct gekoppeld aan een exacte alinea, pagina of bronverwijzing. Bronnen zijn uitsluitend peer-reviewed journals, richtlijnen, of andere vormen van betrouwbare gepubliceerde medische informatie, zoals SmPCs. Omdat het ‘gewicht’ van publicaties nogal kan verschillen, wegen ingebouwde scoringtemplates de kwaliteit ervan mee. En, heel belangrijk, met benchmarken en meerdere openbare publicaties valideren we voortdurend alles wat we doen.”
Zorgverleners vervangen door AI?
AI presteert soms al zo goed, dat zorgverleners vrezen deels overbodig te worden. Een voorbeeld zijn radiologen. Peter van Ooijen, hoogleraar AI in de radiologie aan de Rijksuniversiteit Groningen, zei hierover onlangs: “AI zal de radioloog niet vervangen, maar radiologen die geen AI gebruiken, worden uiteindelijk ingehaald door collega’s die dat wel doen.”1 Hoe denkt Habets hierover?
“AI wordt bij radiologie en pathologie al heel veel gebruikt, maar dat heeft meen ik nog niet geleid tot minder radiologen en pathologen. AI is gewoon een handige tool aan het worden, waarvan de output evengoed bewerkt, verwerkt of geïnterpreteerd moet worden. Soms presteert AI beter dan mensen, maar ook dat maakt hen niet overbodig”, zegt hij. “Mensen stellen zich vaak voor dat AI meer kan, en alléén kan, dan het geval is. We houden artsen aan het bed, die hun werk met AI beter en sneller kunnen doen – en ook minder naar het computerscherm hoeven te kijken, zodat ze meer tijd overhouden voor contact met de patiënt.”
Referentie:
- Posthuma J. Hoge verwachtingen van AI in de zorg: ‘Nu moeten we het bewijzen’. Jantina Tammes School of Digital Society, Technology and AI. 6 juli 2026.