AI in de apotheek: 3 praktische toepassingen zonder risico op medicatiefouten

AI in de apotheek werkt vandaag het betrouwbaarst op drie taken: patiënteninformatie herschrijven, een medicatieoverdracht samenvatten en een medicatiebeoordelingsverslag voorbereiden. Wat het niet moet doen: zelf beoordelen of twee medicijnen samen mogen. Een onderzoek naar ChatGPT en antiretrovirale geneesmiddelinteracties, gepubliceerd in het tijdschrift AIDS, testte het model op 94 interacties en vond dat het geen van de ernstige combinaties goed classificeerde, met vooral fout-negatieve antwoorden: het model zei "geen interactie" terwijl die er wel was (AAHIVM Clinical Research Update, 21 april 2026). Dat risico raakt precies het werk van een apotheker of apothekersassistent, en het is de reden waarom deze gids de drie taken waar AI wel helpt, scherp scheidt van de ene taak waar het niet aan mag komen. Voor de bredere zorgsector staat de basis in AI in de zorg; deze post gaat één laag dieper, specifiek voor de openbare apotheek.

De 3 praktische toepassingen van AI in de apotheek

Kies er één om mee te starten. Neem de taak die deze week het vaakst terugkomt.

1. Patiënteninformatie herschrijven in begrijpelijke taal

De taak: de bijsluiter of je eigen counseling-tekst over een nieuw medicijn omzetten naar taal die een patiënt zonder medische achtergrond in één keer begrijpt.

Hoe AI helpt en waarom: AI is sterk in het aanpassen van taalniveau op tekst die al klopt, niet in het zelf aanleveren van medische feiten. Geef je het de volledige bijsluitertekst of je eigen productinformatie als bijlage, dan herschrijft het model die naar kortere zinnen en gewonere woorden, zonder dat de inhoud verandert. Dat werkt omdat herschrijven een taalkundige taak is: het model herkent patronen in zinsbouw en woordkeuze, niet in medische juistheid. Reken op een eerste concept dat na één controleronde bruikbaar is voor de meeste standaardinformatie (dosering, inname, bewaren); bij een medicijn met een smalle therapeutische breedte (bijvoorbeeld een bloedverdunner of lithium) lees je de vereenvoudigde versie altijd zelf terug tegen de volledige bijsluiter, want juist bij het inkorten van een lange waarschuwing kan een voorwaarde ("alleen bij", "tenzij") verdwijnen.

Niet doen: het model vanuit het geheugen om uitleg over een medicijn vragen zonder de bijsluiter erbij te geven. Dan combineert het zijn trainingsdata met wat waarschijnlijk klinkt, en dat is precies het mechanisme achter de valkuil verderop in dit artikel. De promptopbouw met een bijlage als vaste bron staat uitgebreider in AI tekst herschrijven en verbeteren op het werk.

2. Een medicatieoverdracht samenvatten zonder een stop te missen

De taak: de medicatielijst van een ziekenhuisontslag of een overdracht van een andere apotheek vergelijken met de thuismedicatie en op een rij zetten wat gestart, gestopt en gewijzigd is.

Hoe AI helpt en waarom: AI structureert twee lijsten snel tot een overzicht, en dat scheelt tijd bij een lange ontslagbrief met tien of meer regels: het eerste concept staat er in een paar seconden, tegenover vijf tot tien minuten zelf overtypen en vergelijken bij een brief met meerdere wijzigingen. Het mechanisme waar je op moet letten: een taalmodel herkent goed wat expliciet verandert ("dosering verlaagd naar") maar mist vaak wat stilzwijgend verdwijnt. Staat een medicijn simpelweg niet meer op de nieuwe lijst, zonder het woord "gestopt" erbij, dan is dat voor het model geen afwijkend patroon, het ziet gewoonweg niets om op te reageren. Dat is precies de fout die het gevaarlijkst is bij een overdracht: niet het medicijn dat wél genoemd wordt, maar het medicijn dat zonder uitleg wegvalt. Doe dit dus nooit zonder de instructie uit het voorbeeld hieronder, en nooit bij een overdracht die mondeling of telefonisch binnenkwam zonder volledige lijst: dan heeft AI niets om de twee lijsten tegen elkaar af te zetten en mist de tijdwinst zijn basis.

Een voorbeeld. Fictieve, illustratieve casus. Mevrouw De Wit, 78 jaar, lag een week in het ziekenhuis na een val. Haar thuismedicatie bij de apotheek:

Metoprolol 50 mg, 2x per dag
Metformine 500 mg, 2x per dag
Simvastatine 40 mg, 1x per dag 's avonds
Omeprazol 20 mg, 1x per dag
Diclofenac 50 mg, zo nodig (artrose)

De nieuwe medicatielijst uit de ontslagbrief:

Metoprolol 50 mg, 2x per dag
Metformine 500 mg, 1x per dag
Simvastatine 40 mg, 1x per dag 's avonds
Omeprazol 20 mg, 1x per dag
Paracetamol 1000 mg, 3x per dag zo nodig

De prompt, met beide lijsten als bijlage:

#CONTEXT: Je bent apothekersassistent. Je vergelijkt de thuismedicatie
met de ontslaglijst van het ziekenhuis voor het dossier.

#WERKWIJZE: Maak een tabel met kolommen: medicijn, oude dosering,
nieuwe dosering, status (ongewijzigd/gewijzigd/gestart/gestopt).

#BEPERKINGEN: Gebruik alleen de twee lijsten hierboven.

Wat de AI teruggaf, zonder verdere instructie:

Vier van de vijf regels kloppen. De vijfde ontbreekt helemaal: diclofenac staat niet in de tabel, want het model vergeleek wat er wél op beide lijsten stond, en diclofenac stond alleen op de oude lijst. Zonder expliciete regel checkt het model niet of elk medicijn van de oude lijst terugkomt.

Wat je repareert: voeg de regel toe "controleer voor elk medicijn op de oude lijst of het ook op de nieuwe lijst staat; ontbreekt het, markeer het als gestopt en zet erbij dat de reden niet in de brief staat". Met die regel komt er een zesde rij bij: "Diclofenac, 50 mg zo nodig, (vervallen), Gestopt, reden niet genoemd in ontslagbrief, navragen bij ziekenhuis of huisarts." Die ene rij is de reden om dit document nooit ongecontroleerd in het dossier te zetten: diclofenac en een verminderde nierfunctie na een val is precies de combinatie waar een medicatiebeoordeling om vraagt, en die rij had zonder de aanvullende regel niemand gezien.

3. Een verslag van de medicatiebeoordeling bij polyfarmacie voorbereiden

De taak: het gesprek en de bevindingen van een medicatiebeoordeling omzetten in een gestructureerd verslag voor het dossier en de huisarts. Dezelfde omzetting van ruwe notities naar een leesbaar verslag staat met meer voorbeelden in verslagen en rapporten schrijven met AI.

Hoe AI helpt en waarom: een medicatiebeoordeling hoort bij polyfarmacie, de richtlijn van KNMP, NHG en NVKG gebruikt als uitgangspunt patiënten van 70 jaar of ouder die vijf of meer geneesmiddelen chronisch gebruiken, met extra nadruk op wie 75 jaar of ouder is, zeven of meer geneesmiddelen gebruikt en een verminderde nierfunctie heeft (Richtlijnendatabase, Polyfarmacie bij ouderen, module Medicatiebeoordeling, initiatief KNMP, NHG en NVKG, gepubliceerd 14 juli 2026, laatst beoordeeld op geldigheid 3 december 2020). Dat gesprek levert losse notities op: welk medicijn blijft, welk medicijn wordt afgebouwd, en vaak een voorwaarde erbij ("alleen afbouwen als de bloeddruk dat toelaat"). AI zet die notities om in een leesbaar verslag met een vaste opbouw, en dat werkt goed voor de zinsbouw. Het risico zit in het inkorten: een voorwaardelijke aanbeveling wordt bij het samenvatten soms een onvoorwaardelijke, omdat "alleen als" een bijzin is die bij het korter maken als eerste verdwijnt.

Wat je repareert: laat elke voorwaardelijke aanbeveling in de notitie letterlijk terugkomen in het verslag, inclusief het woord "als" of "tenzij". Controleer dat zelf, want een taalmodel herkent een bijzin niet als belangrijker dan de hoofdzin, het weegt op leesbaarheid, niet op klinisch gewicht.

De beslisregel: onder de 70 jaar en geen van de genoemde risicofactoren hoort een uitgebreide medicatiebeoordeling niet standaard bij deze richtlijn; vraag dan alleen door bij een signaal (een recente val, verminderde nierfunctie, verminderde therapietrouw). Vanaf 70 jaar met vijf of meer geneesmiddelen, of bij een eerder signaal, is een beoordeling aan de orde, en dan is een AI-concept voor het verslag de moeite waard. Vanaf 75 jaar met zeven of meer geneesmiddelen en een eGFR onder 50 is de beoordeling vaste praktijk; neem dan extra tijd om elke voorwaarde in het AI-concept terug te lezen tegen je eigen aantekeningen.

Wanneer gebruik je een losse prompt, een sjabloon of nooit AI?

Neem het lichtste gereedschap dat de klus betrouwbaar klaart. De laatste rij is geen gereedschapskeuze maar een harde grens.

De grootste valkuil van AI in de apotheek: medicatiebewaking overlaten aan een taalmodel

De G-Standaard is de database die elk apotheekinformatiesysteem (AIS) gebruikt voor medicatiebewaking: interacties, contra-indicaties, doseringen en de medisch-farmaceutische beslisregels. Het Geneesmiddel Informatie Centrum van de KNMP is verantwoordelijk voor de farmacotherapeutische inhoud, Z-Index actualiseert en publiceert de database maandelijks (KNMP, Wat is de G-Standaard). Dat systeem is gevalideerd: elke interactie die erin staat, is door een vakgroep beoordeeld en elke maand opnieuw gecontroleerd.

Een algemeen taalmodel werkt anders. Het voorspelt het waarschijnlijkste antwoord op basis van patronen in tekst die het ooit zag, en in die tekst komen onschuldige of veelbesproken combinaties veel vaker voor dan zeldzame, ernstige interacties. Een onderzoek dat ChatGPT testte op 94 antiretrovirale geneesmiddelinteracties, vergeleken met de HIV/HCV Drug Therapy Guide en de Liverpool HIV Drug Interactions Checker als referentie, vond dat het model 40,4% van de interacties correct classificeerde. De fouten waren overwegend fout-negatief (60,7%): het model zei "geen interactie" terwijl die er wél was. Bij de ernstige interacties classificeerde het model er geen enkele goed. Bij enkele gecontra-indiceerde combinaties adviseerde het model zelfs gewoon om ze samen te gebruiken (AAHIVM Clinical Research Update, over Ready et al., AIDS, 13 april 2026).

Dat patroon is precies het omgekeerde van wat je in de apotheek al kent als signaalmoeheid: te veel waarschuwingen van het AIS die genegeerd raken. Bij een taalmodel is het risico een vals gevoel van veiligheid: geen waarschuwing waar die er wel had moeten zijn. Gebruik een taalmodel daarom nooit om zelf te beoordelen of twee medicijnen samen mogen, ook niet als tweede mening naast het AIS. Het AIS met de G-Standaard blijft de enige bron voor interactiecontrole; AI helpt bij de tekst erom heen, nooit bij de beoordeling zelf.

Wat het oplevert, en hoe je het na zeven dagen meet

Wat na een week beter wordt: je promptsjabloon voor de meest uitgelegde medicijnen heeft de eigen correcties al verwerkt, dus het eerste concept heeft minder aanpassing nodig. Wat niet beter wordt: AI kent de specifieke patiënt niet, en een voorwaarde die niet letterlijk in je notitie staat, verzint het er niet eerlijk bij, het laat hem gewoon weg. Uit onze trainingen zien we dat teams die beginnen met patiënteninformatie, na een paar weken ongeveer de helft tot twee derde van de eerste concepten zonder grote aanpassing kunnen gebruiken, en dat het nalezen van zo'n concept tegen de bijsluiter ongeveer één tot twee minuten kost, tegenover vijf tot tien minuten voor het zelf herschrijven van een langere bijsluitertekst. Bij een medicatieoverdracht of een beoordelingsverslag blijft de controle tegen het brondocument standaard, ook na weken oefenen, en die controle kost per document ongeveer net zoveel tijd als nu: daar verandert het risico niet met de oefentijd, dus de tijdwinst zit alleen in het eerste concept, niet in de controle erna.

Meet het met drie punten, zeven dagen op een rij.

• Hoeveel patiënteninformatie-concepten ging ongewijzigd de deur uit? Onder de helft, dan mist je prompt nog context: welk medicijn, welke patiëntgroep, welk taalniveau.
• Hoe vaak ontbrak er een regel in een medicatieoverdracht die je er zelf nog bij moest zetten? Blijft dat hoog, dan staat de regel over ontbrekende medicijnen nog niet scherp genoeg in je prompt.
• Hoelang kostte het controleren van een verslag, tegenover zelf typen zonder AI? Geen tijdwinst na een paar weken, dan zit de winst niet in deze taak voor jouw apotheek.

Privacy en beroepsgeheim: wat laat je niet in een AI-tool zien

Medicatiegegevens zijn bijzondere persoonsgegevens onder artikel 9 AVG: gegevens over gezondheid zijn in beginsel verboden om te verwerken, met een uitzondering voor zorgverlening door iemand met een geheimhoudingsplicht. Die geheimhoudingsplicht staat los van de AVG: artikel 88 van de Wet BIG verplicht iedereen die een beroep in de individuele gezondheidszorg uitoefent tot geheimhouding over alles wat hem in die hoedanigheid is toevertrouwd. Dat raakt elke patiëntnotitie, ook een losse regel die je even wilt laten herschrijven.

Concreet: plak geen patiëntnaam, geboortedatum of medicatielijst in een gratis consumentenversie van een AI-tool. Gebruik een zakelijk account met een verwerkersovereenkomst en zet training op je data uit, net als bij elk ander zorgsysteem. Werk waar mogelijk met een voorbeeld zonder echte patiëntgegevens als je alleen de opbouw van een tekst wilt testen, en vul de echte gegevens pas in een omgeving in die je al voor het AIS of de apotheekadministratie hebt goedgekeurd.

Wat AI hier niet goed kan

Klinisch oordeel over een individuele patiënt blijft mensenwerk: AI kent de comorbiditeit, de leefsituatie en de twijfel in de stem van een patiënt niet, alleen wat je erover opschrijft. Een nieuwe interactie signaleren die nog niet in de G-Standaard staat, lukt een taalmodel evenmin, het herkent alleen patronen uit wat het al zag. En zoals hierboven: of twee medicijnen samen mogen, is geen tekstvraag. Laat AI daar nooit het laatste woord over hebben, ook niet als aanvulling naast het AIS.

Doe dit deze week

1. Kies één van de drie toepassingen en verzamel drie voorbeelden

   Patiënteninformatie, een medicatieoverdracht of een beoordelingsverslag. Neem drie recente, geanonimiseerde voorbeelden plus de brondocumenten (bijsluiter, oude en nieuwe medicatielijst, of je eigen notities).

2. Draai de bijpassende prompt hierboven en controleer regel voor regel

   Leg het concept naast het brondocument. Streep bij een overdracht elk medicijn van de oude lijst aan dat wel of niet teruggekomen is op de nieuwe. Bij patiënteninformatie: lees de vereenvoudigde tekst terug tegen de volledige bijsluiter.

3. Leg de grens schriftelijk vast voor je team

   Eén A4: welke taak mag met AI, wie controleert het concept, en de harde regel dat interactiecontrole altijd via het AIS met de G-Standaard loopt. Hang die grens op bij de werkplek, niet alleen in een beleidsdocument.

Het recept dat vandaag werkt: bouw per veelgebruikt medicijn één promptsjabloon voor patiënteninformatie, met de bijsluiter als vaste bijlage en de regel dat geen enkele waarschuwing mag verdwijnen bij het vereenvoudigen. Dat sjabloon test je deze week op drie medicijnen, controleert de apotheker één keer grondig, en daarna gebruikt het hele team hetzelfde, gecontroleerde startpunt. Wil je dit met je team werkend hebben, inclusief de grens tussen tekst en klinische beoordeling? In de Agent Sprint bouwt elke deelnemer een werkende opzet voor zijn eigen praktijk. Twijfel je waar te beginnen, plan een kort gesprek.

Bronnen

• AAHIVM Clinical Research Update, Carolyn Chu, bespreking van Ready EA et al., Assessing ChatGPT's Capability in Understanding and Reporting Antiretroviral Therapy Drug-Drug Interactions (ACCURATE-DDI), AIDS, 13 april 2026. Onafhankelijke Amerikaanse beroepsorganisatie voor HIV-geneeskunde, zelf geopend.
• KNMP, Wat is de G-Standaard. Rolverdeling KNMP/Z-Index en de medicatiebewakingsmodule, zelf geopend, pagina laatst bijgewerkt op 14 september 2026.
• Richtlijnendatabase, Polyfarmacie bij ouderen, module Medicatiebeoordeling (KNMP, NHG, NVKG). Indicatiecriteria voor medicatiebeoordeling, zelf geopend; module gepubliceerd 14 juli 2026, laatst beoordeeld op geldigheid 3 december 2020.
• GDPR-text.com, Artikel 9 AVG: verwerking van bijzondere categorieën persoonsgegevens. Zelf geopend, letterlijke verordeningstekst.
• Artikel 88 Wet BIG (geheimhoudingsplicht): tekst gecontroleerd via kruisverwijzing in WebSearch, wetten.overheid.nl was deze dag niet rechtstreeks bereikbaar door een netwerkblokkade.

Veelgestelde vragen

• Mag je ChatGPT of Claude gebruiken voor medicatie-informatie in de apotheek?

  Voor het herschrijven van al bestaande, geverifieerde informatie (een bijsluiter in begrijpelijke taal) kan dat, mits je de brontekst meegeeft en het resultaat zelf terugleest. Voor de vraag of twee medicijnen samen mogen: nee. Onderzoek naar ChatGPT en geneesmiddelinteracties vond dat het model geen van de ernstige interacties goed classificeerde en vooral ten onrechte "geen interactie" meldde.

• Kan AI de medicatiebewaking in de apotheek vervangen?

  Nee. Medicatiebewaking in Nederland loopt via de G-Standaard, een database die het Geneesmiddel Informatie Centrum van de KNMP beoordeelt en Z-Index maandelijks bijwerkt. Een algemeen taalmodel heeft geen toegang tot die gevalideerde data en voorspelt in plaats daarvan het waarschijnlijkste antwoord, wat bij zeldzame, ernstige interacties vaak het verkeerde antwoord is.

• Is AI veilig voor patiëntgegevens in de apotheek volgens de AVG?

  Alleen met een zakelijk account met verwerkersovereenkomst en training uitgeschakeld. Medicatiegegevens zijn bijzondere persoonsgegevens onder artikel 9 AVG, en daarnaast geldt het beroepsgeheim uit artikel 88 van de Wet BIG. Plak nooit een patiëntnaam of medicatielijst in een gratis consumentenversie van een AI-tool.

• Helpt AI bij een medicatiebeoordeling bij polyfarmacie?

  Ja, bij het opstellen van het verslag na het gesprek. AI zet losse notities om in een leesbaar document, maar let op bij het inkorten: een voorwaardelijke aanbeveling ("alleen afbouwen als") wordt bij het samenvatten soms onterecht onvoorwaardelijk. Lees elke voorwaarde in het concept terug tegen je eigen aantekeningen.

• Hoe gebruik je AI bij een medicatieoverdracht zonder iets te missen?

  Geef AI altijd beide medicatielijsten (oud en nieuw) en de expliciete instructie om voor elk medicijn van de oude lijst te checken of het teruggekomen is op de nieuwe. Zonder die instructie mist het model vaak een medicijn dat stilzwijgend is gestopt, omdat afwezigheid op een lijst voor een taalmodel geen afwijkend patroon is om op te reageren.