Efficiëntie wint. Maar wie ziet de blinde vlek?
AI in uw kliniek
AI verovert in rap tempo zijn plek in de zorg. Juist klinieken kunnen daar veel voordeel van hebben. Beslisprocessen zijn kort, patiëntstromen vaak planbaar en de organisatie is vrij overzichtelijk. Daardoor kunnen toepassingen als triage, planning, beeldanalyse en complicatievoorspelling in klinieken relatief snel waarde toevoegen.
Tegelijk schuilt daar een risico dat nog te weinig aandacht krijgt: op welke patiëntpopulatie is het model eigenlijk getraind? Veel medische AI is ontwikkeld en gevalideerd in ziekenhuisomgevingen. Maar klinieken werken met een andere patiëntselectie, een smallere casemix en een andere manier van organiseren en beslissen. Een model dat goed werkt voor de ‘gemiddelde ziekenhuispatiënt’, hoeft daarom nog niet goed aan te sluiten op de populatie van uw kliniek
Juist daar zit de blinde vlek. Een model kan in de kliniek te voorzichtig zijn en risico’s overschatten, of juist te zeker en relevante signalen missen. Dat ziet u meestal niet direct. In de praktijk verschijnt alleen de uitkomst: in de spreekkamer, op de OK of in de nazorg. Vaak wordt pas later duidelijk dat een model niet goed aansloot, bijvoorbeeld als een patiënt vragen stelt, een klacht indient of er zelfs een claim volgt. Dan komt ineens de vraag op tafel: wie nam hier welk besluit, en op basis waarvan?
Scherp zicht op cruciale punten nodig
Daarmee is AI in de kliniek niet alleen een innovatievraag, maar ook een governance- en aansprakelijkheidsvraag. Klinieken verschillen fundamenteel van ziekenhuizen in patiëntpopulatie, casemix en organisatie. Het ligt daarom niet voor de hand om governancekaders uit het ziekenhuis één op één over te nemen. Wat klinieken nodig hebben, is geen extra laag regels, maar scherp zicht op een paar cruciale punten: past het model bij onze populatie, is de validatie inzichtelijk, en wie bewaakt dat in de praktijk?
Dat is extra relevant omdat veel klinieken AI niet zelf ontwikkelen, maar inkopen via leveranciers, bijvoorbeeld voor radiologie, dermatologie-screening of planning. Dan is de vraag niet alleen wat de software kan, maar ook hoe transparant de onderliggende validatie is. Is duidelijk op welke populatie het model is getest? En wordt bijgehouden wat er gebeurt als de kliniek haar patiëntengroep of werkwijze uitbreidt? In veel klinieken is dit nog niet expliciet belegd, simpelweg omdat het onderwerp nieuw is.
Europese AI Act en high risk toepassingen
Ook juridisch is veel nog in beweging. De Europese AI Act wordt vanaf 2026 gefaseerd van kracht en medische AI valt daarbij in veel gevallen onder high-risk-toepassingen. Dat brengt eisen met zich mee rond conformiteitsbeoordeling, monitoring en menselijk toezicht. Daarnaast blijft in Nederland de vraag relevant hoe AI zich verhoudt tot bestaande kaders, zoals de Wkkgz: wie nam het besluit, waarop was dat gebaseerd en is dat achteraf nog te reconstrueren?
Bij aansprakelijkheid spelen fabrikant, kliniek en behandelaar alle drie een rol
Bij schade of een gemiste diagnose zal aansprakelijkheid zelden eenduidig bij één partij liggen. De fabrikant, de kliniek en de behandelaar kunnen alle drie een rol spelen. Juist daarom is het verstandig om nu al scherp te krijgen hoe verantwoordelijkheden zijn verdeeld. In protocollen, in werkprocessen en waar nodig ook in de polisarchitectuur. Zonder die helderheid staat een organisatie bij een claim kwetsbaar
Wat kunt u nu al doen als kliniek?
Wat kunt u als kliniek vandaag al doen? In de basis begint het met vier eenvoudige, maar belangrijke stappen. Breng in kaart welke AI-toepassingen in uw zorgproces worden gebruikt en noteer leverancier en versie. Vraag leveranciers expliciet op welke populatie hun model is gevalideerd en toets of die lijkt op uw eigen patiëntmix. Leg in protocollen vast dat een AI-uitkomst nooit zonder menselijke beoordeling leidt tot een klinische actie. En volg de uitkomsten in de tijd, want een model dat vandaag goed werkt, kan morgen minder passend zijn door veranderingen in populatie of software-updates
De bredere vraag is hoe de sector dit samen oppakt. Want geen enkele partij heeft het volledige overzicht. Brancheorganisaties, toezichthouders, leveranciers en verzekeraars kijken ieder vanuit een ander perspectief. Juist daarom is het logisch om hierover in 2026 gezamenlijk verder te denken.
Past AI model bij uw populatie?
De kern is simpel: AI biedt klinieken veel kansen, maar de vraag of een model echt past bij uw populatie is geen technisch detail. Het is een risico dat later een aansprakelijkheidsvraag kan worden. Het zou zonde zijn als dat gesprek pas wordt gevoerd wanneer de eerste claim zich aandient.
Op 4 juni 2026 ben ik namens Medirisk aanwezig op het ZKN-jaarcongres in De Tinfabriek in Naarden. Daar gaat het gesprek verder: wat leggen klinieken nu al vast, waar zitten nog blinde vlekken, en welke patronen worden zichtbaar vanuit de claimpraktijk?
Business Development, Medirisk