AI in het ziekenhuis: 3 praktische toepassingen (2026)

AI in het ziekenhuis werkt vandaag het betrouwbaarst op drie taken: een patiëntenbrief herschrijven in B1-taal, een dossier samenvatten voor het multidisciplinair overleg (MDO) en een verwijsbrief naar de huisarts opstellen. Wat het niet moet doen: meewegen hoe ernstig een patiënt eraan toe is. Een meta-analyse van 15 triage-onderzoeken met ChatGPT vond uitkomsten die zo sterk uiteenlopen dat de onderzoekers hun eigen conclusie zelf "niet robuust" noemen (Gao et al., BMC Emergency Medicine, 16 maart 2026), met de exacte cijfers verderop bij de valkuil. Dat risico raakt precies de beslissing die je nooit aan een chatbot overlaat. Voor de brede zorgsector staat de basis in AI in de zorg; deze post gaat één laag dieper, specifiek voor het ziekenhuis.

De 3 praktische toepassingen van AI in het ziekenhuis

Kies er één om mee te starten. Neem de taak die deze week de meeste avonduren kost.

1. Patiëntenbrieven herschrijven in B1-taal

De taak: een ontslagbrief omzetten naar taal die een patiënt zonder medische achtergrond in één keer begrijpt, zonder dat er een instructie verdwijnt.

Hoe AI helpt en waarom: AI is sterk in het aanpassen van taalniveau op een tekst die al klopt, niet in het zelf aanleveren van medische feiten. Geef je het de volledige ontslagbrief als bijlage, dan herschrijft het model die naar kortere zinnen en gewonere woorden, zonder de inhoud te veranderen. Dat werkt omdat herschrijven een taalkundige taak is: het model herkent patronen in zinsbouw, niet in medische urgentie. Dat is ook precies waarom het misgaat bij een voorwaardelijke instructie ("bel bij koorts boven de 38,5 graden"): het model weegt op leesbaarheid, en een specifiek getal in een bijzin verdwijnt als eerste als een zin korter moet. Reken op een eerste concept dat na één controleronde bruikbaar is voor standaardinformatie; bij een brief met een alarmsymptoom lees je de vereenvoudigde versie altijd zelf terug tegen het origineel.

Een voorbeeld. Fictieve, illustratieve casus. Meneer Yilmaz, 54 jaar, laparoscopische galblaasoperatie, ontslagen na één dag. De ontslaginstructie van de verpleegafdeling:

Pijnstilling: paracetamol 1000 mg, max. 4x per dag. Geen NSAID's
(ibuprofen, diclofenac) de eerste week in verband met bloedingsrisico.
Wondverzorging: pleisters droog houden, na 3 dagen mag u douchen.
Alarmsymptomen: bel de polikliniek chirurgie direct bij koorts boven
de 38,5 graden, bij toenemende buikpijn, of als u na 3 dagen nog geen
ontlasting heeft gehad. Buiten kantooruren: spoedlijn chirurgie.
Controle: over 2 weken op de polikliniek, afspraak volgt per brief.

De prompt, met de instructie als bijlage:

#CONTEXT: Je bent verpleegkundige op de chirurgische afdeling. Je
herschrijft een ontslaginstructie voor een patiënt zonder medische
achtergrond.

#WERKWIJZE: Herschrijf de tekst hieronder in B1-taal: korte zinnen,
geen vakjargon, als bulletpoints per onderwerp.

#BEPERKINGEN: Verander geen enkel getal, geen enkele voorwaarde en
geen enkel telefoonnummer uit de brontekst.

Wat de AI teruggaf, zonder verdere instructie:

- Pijn: neem paracetamol, maximaal 4 keer per dag. Neem geen
  ibuprofen of diclofenac de eerste week.
- Wond: houd de pleisters droog. Na 3 dagen mag u douchen.
- Let op: bel de polikliniek chirurgie als u koorts heeft, als de
  buikpijn erger wordt, of als u na 3 dagen nog niet naar de wc bent
  geweest. Buiten kantooruren belt u de spoedlijn.
- Controle: over 2 weken krijgt u een afspraak.

Het getal 38,5 is verdwenen. "Koorts heeft" klinkt voor een patiënt als elke lichte temperatuursverhoging, terwijl milde koorts na een operatie normaal is. Zonder de drempel belt iemand te vroeg, of leert na een onterecht alarm de instructie te negeren.

Wat je repareert: voeg de regel toe "laat elk getal en elke tijdsduur uit de brontekst letterlijk terugkomen". Met die regel herstelt "koorts boven de 38,5 graden" en blijft het alarmsymptoom een concrete drempel. Een taalmodel herkent een specifiek getal in een bijzin namelijk niet als belangrijker dan de hoofdzin, het weegt op leesbaarheid.

2. MDO voorbereiden: het dossier samenvatten voor het overleg

De taak: de voorgeschiedenis en eerdere behandelingen van een patiënt samenvatten tot een kort overzicht voor het multidisciplinair overleg.

Hoe AI helpt en waarom: een dossier van maanden aan consultregels in een paar minuten tot een leesbaar overzicht brengen, dat scheelt tijd bij een complexe casus met tien of meer contactmomenten. Het mechanisme waar je op moet letten: een taalmodel weegt mee hoe vaak en hoe recent iets in het dossier terugkomt, niet hoe klinisch zwaar het weegt. Dat werkt goed zolang de relevante informatie recent of herhaald is; het werkt niet bij een zeldzaam, eenmalig vastgelegd feit zoals een allergie. Reken op een samenvatting die de hoofdlijn van de huidige klacht in een paar minuten klaarzet; neem zelf nog de tijd om het dossier te doorzoeken op allergieën, intoleranties en eerdere complicaties voor je de samenvatting rondstuurt.

Een voorbeeld. Fictieve, illustratieve casus. Mevrouw Boers, 67 jaar, aangemeld voor het MDO oncologie. Dossierfragment:

14 feb: Intake. Voorgeschiedenis: penicillineallergie (huiduitslag).
3 jun: Controle, klachten stabiel.
19 sep: Nieuwe klacht: aanhoudende buikpijn, gewichtsverlies 4 kg.
28 sep: CT-scan: verdenking maligniteit. Voorstel: bespreken in MDO.

De prompt: "Vat dit dossier samen voor het MDO: voorgeschiedenis, huidige klacht, onderzoeksresultaten, allergieën." Wat de AI teruggaf:

Huidige klacht: aanhoudende buikpijn, gewichtsverlies 4 kg.
Onderzoek: CT-scan toont verdenking op maligniteit.
Allergieën: geen vermeld in de recente consulten.

"Geen vermeld in de recente consulten" klopt letterlijk, maar de penicillineallergie staat wél in het dossier, alleen acht maanden terug en nooit herhaald. Bij een MDO waar een voorstel met antibiotica op tafel kan komen, is dat precies de regel die niet mag ontbreken.

Wat je repareert: voeg de instructie toe "doorzoek het volledige dossier vanaf de intake, niet alleen de recentste consulten, specifiek op allergieën en intoleranties". Zonder die instructie ziet het model een allergie van maanden terug niet als afwijkend, het is voor het model gewoon één regel tussen honderden andere regels die niet meer terugkwam.

3. Een verwijsbrief naar de huisarts opstellen na een polikliniekbezoek

De taak: aantekeningen van een consult omzetten in een terugkoppeling aan de huisarts. Dezelfde omzetting van ruwe notities naar een leesbaar document staat met meer voorbeelden in verslagen en rapporten schrijven met AI.

Hoe AI helpt en waarom: AI zet losse aantekeningen (klacht, bevinding, voorlopige conclusie) om in de vaste opbouw die een huisarts verwacht: aanleiding, bevindingen, conclusie, beleid. Dat werkt omdat het een structuurtaak is, geen diagnostische taak: je voert de conclusie al aan, het model zet hem alleen in de juiste vorm. Het risico zit in het tegenovergestelde: een taalmodel vult een conclusie soms aan met een plausibele redenering die je zelf niet hebt uitgesproken, omdat een verwijsbrief in de trainingsdata van het model vaak een expliciete onderbouwing bij de conclusie heeft. Reken op een concept dat de structuur in orde heeft; lees de conclusie-alinea altijd zelf terug op een zin die jij niet hebt gedicteerd.

Een voorbeeld. Fictieve, illustratieve casus. Aantekening van de chirurg na een polikliniekbezoek: "Dhr. Pietersen, 61 jaar. Klacht: liespijn rechts, 6 weken. Bevinding: voelbare breuk bij persen, reponeerbaar. Conclusie: liesbreuk rechts. Beleid: operatie plannen, electieve lijst." De prompt: "Schrijf hiervan een terugkoppeling aan de huisarts, met aanleiding, bevindingen, conclusie en beleid." Wat de AI teruggaf:

Conclusie: liesbreuk rechts, waarschijnlijk veroorzaakt door
jarenlang zwaar lichamelijk werk. Beleid: operatie wordt electief
gepland.

De toevoeging "waarschijnlijk veroorzaakt door jarenlang zwaar lichamelijk werk" staat nergens in de aantekening. Het model vulde een plausibele oorzaak aan, omdat een conclusie in een verwijsbrief in de trainingsdata vaker een oorzaak bij zich heeft dan niet. De huisarts leest die zin als vaststaand feit, terwijl de chirurg dat niet heeft onderzocht of gezegd.

Wat je repareert: zet in de prompt expliciet "gebruik uitsluitend de bevindingen en conclusie die ik aanlever; als een oorzaak niet in mijn aantekening staat, noem die dan niet". Controleer de conclusie-alinea daarna apart op elke zin die niet uit je eigen notitie komt.

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 het ziekenhuis: triage overlaten aan een taalmodel

Triage, de inschatting hoe snel een patiënt gezien moet worden, loopt in een Nederlands ziekenhuis via een gevalideerde schaal zoals de Manchester Triage Scale: vaste criteria met een vaste kleurcode per urgentie. Een algemeen taalmodel werkt anders: het voorspelt het waarschijnlijkste antwoord op basis van patronen in tekst die het ooit zag, niet op basis van een gevalideerd protocol.

Een systematische review en meta-analyse van 15 onderzoeken naar ChatGPT in de triage van volwassenen op de spoedeisende hulp vond een gepoolde nauwkeurigheid van 51% voor ChatGPT-3.5 en 70% voor ChatGPT-4, tegenover gemiddeld 59 tot 82% voor menselijke triage in diezelfde studies. Het grote probleem zat niet in dat gemiddelde, maar in de spreiding: de statistische heterogeniteit tussen de GPT-4-studies was 99%, wat betekent dat de ene studie het model ver onder de triageverpleegkundige vond en de andere juist uitstekend, vooral bij het herkennen van de meest kritieke patiënten. Na het weglaten van één afwijkende studie veranderde de conclusie van "geen verschil met mensen" naar "significant beter dan mensen", en dat alleen al laat zien hoe wankel de uitkomst is. De onderzoekers noemen hun eigen bevinding daarom expliciet "niet robuust" en raden aan om ChatGPT hoogstens als hulpmiddel te gebruiken, nooit zelfstandig (Gao et al., Accuracy of the large language model ChatGPT in adult emergency department triage, BMC Emergency Medicine, 16 maart 2026).

Dat sluit aan bij hoe de wetgever dit al classificeert. De EU AI Act noemt "emergency healthcare patient triage systems" met naam als hoogrisicocategorie in Bijlage III (officiële wettekst, punt 5(d)), met voor een medisch hulpmiddel een dubbele toets erbij via de Europese MDR. Dat is waarom gevalideerde radiologie-AI, zoals het beeldherkenningssysteem dat het Erasmus MC met leverancier Qure.ai inzet, een CE-markering klasse IIb heeft: een onafhankelijke instantie toetste die software op veiligheid en prestaties. ChatGPT of Claude heeft die toets nooit doorlopen.

Gebruik een algemeen taalmodel daarom nooit om mee te laten wegen hoe ernstig of urgent een patiënt is, ook niet als informele tweede mening. Het eigen triageprotocol en de beoordeling van een arts of verpleegkundige blijven de enige basis; 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 herschreven ontslaginstructies 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 detail dat niet letterlijk in je notitie staat, laat het weg of vult het aan met iets plausibels. Uit onze trainingen zien we dat teams die beginnen met patiëntenbrieven, na een paar weken ongeveer de helft tot twee derde van de eerste concepten zonder grote aanpassing kunnen gebruiken, met terugchecken van ongeveer één tot twee minuten tegenover vijf tot tien minuten voor zelf herschrijven. Bij een MDO-samenvatting of verwijsbrief blijft de controle tegen het dossier standaard, ook na weken oefenen.

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

• Hoeveel patiëntenbrief-concepten gingen ongewijzigd de deur uit? Onder de helft: je prompt mist nog context (welke ingreep, welk alarmsymptoom).
• Hoe vaak ontbrak er een allergie in een MDO-samenvatting die je zelf nog moest toevoegen? Blijft dat hoog: de dossier-instructie staat nog niet scherp genoeg.
• Hoe vaak stond er een zin in een verwijsbrief-concept die je zelf niet had gedicteerd? Meer dan één op vijf brieven: de beperking in je prompt is nog te zwak.

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

Patiëntgegevens 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 plicht staat los van de AVG: artikel 88 van de Wet BIG verplicht iedereen met een gereguleerd beroep in de individuele gezondheidszorg tot geheimhouding over alles wat hem bij het uitoefenen van dat beroep als geheim is toevertrouwd. Dat raakt elke patiëntregel, ook een losse zin die je alleen even wilt laten herschrijven.

Concreet: plak geen patiëntnaam, geboortedatum of dossierregel in een gratis consumentenversie van een AI-tool. Gebruik een zakelijk account met een verwerkersovereenkomst, zet training op je data uit, en vul echte gegevens pas in binnen een omgeving die je ziekenhuis daarvoor al heeft 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. Dat raakt vooral de zeldzame presentatie: een symptoomcombinatie die een afdeling maar een paar keer per jaar ziet, heeft het model in zijn trainingsdata nauwelijks gezien, dus valt het terug op het patroon van de veel vaker voorkomende, onschuldige variant, hetzelfde mechanisme als bij de triagecijfers hierboven. Een bruikbare vuistregel: wijkt een casus op meer dan één punt af van het boekje (ongewone leeftijd voor deze aandoening, een ongewone combinatie van klachten, een afwijkende voorgeschiedenis), vraag dan eerst een collega erbij en gebruik een AI-concept pas daarna, nooit als eerste aanname. En zoals hierboven: hoe urgent of ernstig iemand is, is geen tekstvraag. Laat AI daar nooit het laatste woord over hebben, ook niet als aanvulling naast het eigen protocol.

Doe dit deze week

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

   Een patiëntenbrief, een MDO-samenvatting of een verwijsbrief, plus de brondocumenten (instructie, dossier of eigen aantekeningen).

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

   Leg het concept naast de brontekst. Streep bij een patiëntenbrief elk getal aan; bij een MDO-samenvatting: doorzoek het dossier zelf nog op allergieën.

3. Leg de grens schriftelijk vast voor je team

   Eén A4: welke taak mag met AI, wie controleert het concept, en dat urgentie-inschatting altijd via het eigen protocol loopt. Hang die grens op bij de werkplek.

Het recept dat vandaag werkt: bouw per veelvoorkomende ingreep één promptsjabloon voor de ontslaginstructie, met de brontekst als vaste bijlage en de regel dat geen getal of drempel mag verdwijnen bij het vereenvoudigen. Test dat sjabloon deze week op drie situaties, laat een arts of verpleegkundige het één keer grondig controleren, en gebruik daarna hetzelfde gecontroleerde startpunt afdelingsbreed. 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 afdeling. Twijfel je waar te beginnen, plan een kort gesprek.

Bronnen

• Gao, S., Yu, M., Zheng, Y. et al., Accuracy of the large language model ChatGPT in adult emergency department triage: a systematic review and meta-analysis, BMC Emergency Medicine 26, 118 (2026), gepubliceerd 16 maart 2026. Zelf geopend, peer-reviewed meta-analyse van 15 onderzoeken, onafhankelijk van elke AI-leverancier.
• EU AI Act, officiële wettekst via verbatim GitHub-mirror, Bijlage III punt 5(d). Zelf geopend, letterlijke verordeningstekst over triagesystemen als hoogrisicocategorie.
• Raad van de EU, persbericht over de definitieve goedkeuring van het Digital Omnibus on AI, 29 juni 2026. Zelf geopend, officiële bron voor de verschoven toepassingsdata.
• Wet BIG, artikel 88 (geheimhoudingsplicht), via wetten.overheid.nl. Zelf geopend, letterlijke wettekst.
• GDPR-text.com, artikel 9 AVG: verwerking van bijzondere categorieën persoonsgegevens. Zelf geopend, letterlijke verordeningstekst.
• Erasmus MC en Qure.ai, CE-markering klasse IIb onder de Europese MDR voor AI-beeldherkenning in de radiologie: claim van de leverancier, gecontroleerd via WebSearch-kruisverwijzing (Business Wire, Nederlandse versie), niet zelf op de brondocumentatie geopend.

Veelgestelde vragen

• Mag je ChatGPT of Claude gebruiken in het ziekenhuis?

  Voor tekst wel: een patiëntenbrief herschrijven in B1-taal, een dossier samenvatten voor het MDO of een verwijsbrief opstellen, mits je de brontekst meegeeft en het resultaat zelf terugleest. Voor de inschatting hoe ernstig of hoe urgent een patiënt is: nee. Een meta-analyse van 15 triage-onderzoeken vond zo veel verschil tussen studies dat de uitkomst per geval niet te voorspellen is.

• Kan AI triage in het ziekenhuis vervangen?

  Nee. Triage loopt via een gevalideerde schaal zoals de Manchester Triage Scale, getoetst door een vakgroep. De EU AI Act classificeert triagesystemen voor spoedeisende gezondheidszorg bovendien expliciet als hoogrisicosysteem in Bijlage III. Een algemeen taalmodel heeft die toetsing nooit doorlopen en voorspelt in plaats daarvan het waarschijnlijkste antwoord, wat per geval kan afwijken van wat het protocol zou zeggen.

• Is AI veilig voor patiëntgegevens in een ziekenhuis volgens de AVG?

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

• Helpt AI bij het voorbereiden van een MDO?

  Ja, bij het samenvatten van het dossier tot een overzicht. Let op: het model weegt mee hoe vaak en hoe recent iets in het dossier terugkomt, niet hoe klinisch zwaar het weegt. Een eenmalig genoteerde allergie van maanden terug kan daardoor wegvallen. Geef als instructie mee dat het model het volledige dossier doorzoekt op allergieën en eerdere complicaties, niet alleen de recentste consulten.

• Hoe schrijf je een verwijsbrief met AI zonder een verzonnen conclusie?

  Geef AI uitsluitend je eigen bevindingen en conclusie, en zet in de prompt dat het model geen eigen medische redenering mag toevoegen. Een taalmodel vult een conclusie soms aan met een plausibele onderbouwing die je zelf niet hebt uitgesproken, omdat een verwijsbrief in de trainingsdata vaak die vorm heeft. Lees de conclusie-alinea daarom altijd apart terug op een zin die jij niet hebt gedicteerd.