Een LLM-chatbot om de overgang van eerstelijns- naar specialistische zorg te vergemakkelijken: een gerandomiseerde gecontroleerde studie

Waarom een digitale hulp in de wachtkamer ertoe doet

Wie ooit uren heeft gewacht om een drukbezochte ziekenhuisarts te zien, kent het gevoel dat het laatste gesprek gehaast verloopt. Deze studie stelt een eenvoudige vraag met grote implicaties: zou een kunstmatige-intelligentiechatbot vóór het consult met patiënten kunnen praten, hun verhaal verzamelen en specialisten een duidelijke samenvatting kunnen aanreiken—waardoor tijd wordt bespaard en de menselijke kant van de zorg juist verbetert? In twee grote Chinese ziekenhuizen testten onderzoekers een patiëntgerichte large language model (LLM) genaamd PreA om te onderzoeken of zo’n digitale hulp drukke spreekuren soepeler en persoonlijker kan laten verlopen, vooral in omgevingen met beperkte middelen.

Het probleem van overvolle spreekuren

Zorgsystemen wereldwijd kampen met vergrijzing, mensen met meerdere chronische aandoeningen en ongelijkmatige toegang tot eerstelijnszorg. In China slaan veel patiënten lokale klinieken over en gaan rechtstreeks naar grote ziekenhuizen, waardoor poliklinieken overspoeld raken met eerste consulten. Specialisten ontmoeten vaak patiënten zonder verwijzingsgegevens, moeten ter plekke het volledige medische verhaal reconstrueren en hebben daar maar enkele minuten voor. Het resultaat zijn lange wachtrijen, korte face-to-facegesprekken en hoge stress voor zowel artsen als patiënten. Eenvoudige maatregelen zoals triage door verpleegkundigen helpen, maar verpleegkundigen hebben zelden tijd of opleiding om voor ieder geval gedetailleerde anamnese te verzamelen.

Hoe de chatbot samen met de gemeenschap is ontwikkeld

Het team ontwikkelde PreA als een conversatie-assistent die specifiek is ontworpen voor de periode tussen het aankomen van een patiënt in het ziekenhuis en het zitten bij een specialist. In plaats van het systeem vooral te trainen op rommelige lokale transcripties—die gehaaste routines en vooroordelen kunnen weerspiegelen—gebruikten de onderzoekers een co-designproces. Patiënten, mantelzorgers, community health workers, verpleegkundigen, huisartsen, specialisten en ziekenhuisleiders hielpen vormgeven hoe de chatbot vragen moest stellen, welke informatie verzameld moest worden en hoe de samenvattingen eruit moesten zien. De chatbot werkt op een mobiele telefoon, ondersteunt tekst en spraak, gebruikt eenvoudige taal voor mensen met beperkte gezondheidsvaardigheden en deelt toegang met familieleden die oudere of zieke naasten helpen bij het regelen van zorg.

De digitale assistent op de proef stellen

Om te onderzoeken of PreA in de praktijk werkte, voerde het team een gerandomiseerde gecontroleerde trial uit in 24 specialismen in twee grote ziekenhuizen in West-China. Meer dan 2.000 volwassenen die specialistische zorg zochten, werden toegewezen aan één van drie groepen: PreA zelfstandig gebruiken vóór het consult; PreA gebruiken met hulp van personeel; of de gebruikelijke zorg zonder chatbot ontvangen. In de PreA-groepen praatten patiënten gemiddeld zo’n drieënhalve minuut met het systeem, dat vervolgens een gestructureerd verwijzingsrapport produceerde over hun belangrijkste klachten, medische voorgeschiedenis, waarschijnlijke diagnoses en voorgestelde onderzoeken. Specialisten bekeken dit rapport kort en ontvingen daarna patiënten zoals gebruikelijk. Consulten in de alleen-PreA-groep waren 28,7% korter dan in de gebruikelijke-zorggroep, en toch zagen artsen meer patiënten per dienst zonder langere wachttijden. Opmerkelijk genoeg waren de resultaten net zo sterk wanneer patiënten de chatbot zonder ondersteuning van personeel gebruikten, wat wijst op schaalbaarheid in drukke spreekuren.

Voelden snellere consulten nog steeds menselijk aan?

Kortere consulten roepen vaak de vrees op voor kille, meer mechanische zorg. Hier was het tegendeel waar. Patiënten en mantelzorgers die PreA gebruikten, gaven aan dat gesprekken met hun artsen makkelijker voelden, dat artsen oplettender en respectvoller leken, en dat zij meer tevreden waren met het consult en bereid waren zulke hulpmiddelen opnieuw te gebruiken. Specialisten beoordeelden de verwijzingsrapporten van de chatbot als veel nuttiger voor coördinatie van zorg dan de minimale notities die ze gewoonlijk ontvangen. Onafhankelijke deskundigen vonden dat PreA’s samenvattingen vollediger en klinisch relevanter waren dan veel aantekeningen van artsen, deels omdat routinematige documentatie in overbelaste klinieken vaak hiaten bevat. Een analyse van de aantekeningen van artsen liet echter geen teken zien dat zij gewoonweg de suggesties van de AI kopieerden of blindelings volgden, wat de zorgen over automation bias vermindert.

Waarom de manier waarop de AI is getraind, belangrijk is

De onderzoekers onderzochten ook een dieperliggend vraagstuk: moet medische AI lokale praktijken simpelweg spiegelen, of juist helpen verbeteren? Ze vergeleken het co-ontworpen PreA met een versie die verder was fijn afgestemd op honderden real‑world eerstelijnsgesprekken uit dezelfde regio’s. Die op data afgestemde versie presteerde slechter. Hij weerspiegelde lokale shortcuts, sloeg belangrijke vragen over, miste noodzakelijke onderzoeken en nam soms een onvriendelijke toon aan—met andere woorden: hij schaalde bestaande zwaktes op. Daarentegen leverde het co‑ontworpen model, gevormd rond best-practice richtlijnen en prioriteiten vanuit de gemeenschap, hogerwaardige anamnese, diagnoses en testaanbevelingen op in gesimuleerde casussen. Dit contrast suggereert dat het betrekken van lokale belanghebbenden bij het sturen van modelgedrag veiliger en eerlijker kan zijn dan het simpelweg voeden van een algoritme met ruwe lokale dialogen.

Wat dit betekent voor patiënten en zorgsystemen

Voor patiënten is de kernboodschap dat een kort gesprek met een AI‑assistent vóór het consult het daadwerkelijke bezoek helderder, rustiger en meer gefocust op wat voor hen het belangrijkst is kan maken. Voor overbelaste zorgsystemen biedt PreA een manier om schaarse specialisttijd terug te winnen zonder het menselijke contact dat centraal staat in de geneeskunde op te offeren. In plaats van clinici te vervangen, neemt de chatbot routinematig werk van informatieverzameling en documentatie op zich, zodat artsen zich kunnen concentreren op luisteren, uitleggen en het nemen van genuanceerde beslissingen. Hoewel grotere en meer diverse studies nog nodig zijn, wijst deze trial op een toekomst waarin zorgvuldig co‑ontworpen chatbots fungeren als eerste-gidsen—ze helpen patiënten door complexe ziekenhuizen te navigeren en ondersteunen clinici bij het leveren van meer patiëntgerichte zorg, zelfs wanneer elke minuut telt.

Bronvermelding: Tao, X., Zhou, S., Ding, K. et al. An LLM chatbot to facilitate primary-to-specialist care transitions: a randomized controlled trial. Nat Med 32, 934–942 (2026). https://doi.org/10.1038/s41591-025-04176-7

Trefwoorden: AI in de gezondheidszorg, patiënt-chatbots, ziekenhuisworkflow, verwijzingen vanuit de eerstelijnsgezondheidszorg, medische co-design