Vooruitgang in governance van AI in de gezondheidszorg via een uitgebreid volwassenheidsmodel gebaseerd op een systematische review

Waarom slimere regels voor medische AI ertoe doen

Ziekenhuizen haasten zich om kunstmatige intelligentie te gebruiken om ziekte eerder te signaleren, administratieve lasten te verminderen en zorg efficiënter te maken. Maar als deze hulpmiddelen slecht worden geselecteerd of beheerd, kunnen ze ongemerkt fouten maken, ongelijkheden verdiepen of kostbare middelen verspillen. Dit artikel legt uit hoe een onderzoeksteam tientallen bestaande richtlijnen voor medische AI heeft doorgenomen en een praktisch stappenplan heeft ontwikkeld dat elke zorgorganisatie—van een kleine kliniek tot een toonaangevend academisch ziekenhuis—kan gebruiken om AI op een veilige en eerlijke manier in te zetten.

De wirwar aan adviezen begrijpelijk maken

In de afgelopen jaren hebben experts wereldwijd checklists, richtlijnen en toezichtstructuren voorgesteld voor het gebruik van AI in de zorg. De auteurs voerden een systematische review uit van 35 dergelijke kaders gepubliceerd tussen 2019 en 2024, en beperkten zich tot 29 die concreet, stapsgewijs advies boden in plaats van zich te richten op één aspect zoals alleen ethiek. Ze vonden dat, hoewel veel documenten behandelden hoe een algoritme te ontwikkelen of in de tijd te monitoren, veel minder aandacht uitging naar de organisatorische realiteit: wie moet de leiding hebben? Hoe kiezen ziekenhuizen tussen concurrerende producten? En hoe kunnen minder goed bedeelde zorgsystemen bijblijven? Dit samenraapsel van adviezen, vaak geschreven met grote academische centra in gedachten, liet kleinere organisaties zonder een duidelijk pad vooruit.

Zeven bouwstenen voor goed AI-toezicht

Uit hun review destilleerden de onderzoekers zeven essentiële gebieden die moeten worden aangepakt om AI op verantwoorde wijze in de patiëntenzorg te verweven. Daartoe behoort een duidelijke leiderschapsstructuur, het zorgvuldig definiëren van het klinische probleem voordat men naar technologie grijpt, inzicht in hoe het algoritme is opgebouwd en getraind, het controleren van externe producten vóór aankoop, het testen van hoe goed een hulpmiddel werkt in de lokale patiëntenpopulatie, het doordacht integreren ervan in de dagelijkse klinische workflows en het volgen van de prestaties zodra het in gebruik is. In de literatuur lag sterke nadruk op taken zoals probleemformulering, modelontwikkeling en voortdurende monitoring. Toch zagen de auteurs minder aandacht voor het evalueren van externe producten en voor het ontwerpen van governance-organen die de perspectieven van clinici, technische experts, patiënten en juridische en ethische professionals weerspiegelen.

Van theorie naar een stapsgewijs stappenplan

Om deze verspreide richtlijnen bruikbaarder te maken, ontwikkelde het team de Healthcare AI Governance Readiness Assessment, of HAIRA—een vijfniveaus “volwassenheidsmodel” dat beschrijft hoe capabel governance eruitziet naarmate de organisatie volwassener wordt. Op Niveau 1 heeft een organisatie slechts basisbewustzijn en vertrouwt ze grotendeels op garanties van leveranciers voor kant-en-klare tools, met minimale interne tests of integratie. Op Niveau 2 bestaan er gedocumenteerde procedures, een eenvoudig toezichtcomité, een meer gestructureerde selectie van tools en basismonitoring van prestaties. Niveau 3 beschrijft regionale of gemeenschappelijke systemen die modellen zelfstandig kunnen valideren, risico’s zoals bias kunnen beoordelen, AI kunnen integreren met kwaliteitsverbeteringsprogramma’s en veranderingen systematisch kunnen beheren wanneer hulpmiddelen in de klinische praktijk worden gebracht.

Groeien naar gevorderde en toonaangevende praktijk

Niveaus 4 en 5 vangen wat de auteurs beschouwen als gevorderde en toonaangevende governance. Op Niveau 4, typisch gezien in grote academische medische centra, hebben organisaties leidinggevenden die zich wijden aan AI, robuuste ethische structuren, geavanceerde datainfrastructuur en sterke interne ontwikkel- en evaluatiecapaciteiten, waaronder realtime monitoring. Niveau 5 vertegenwoordigt instellingen die AI niet alleen goed beheren, maar ook helpen de industrienormen te bepalen. Deze organisaties voeren multisite-studies uit om veiligheid en baten aan te tonen, experimenteren met nieuwe typen AI-toepassingen en delen hun kennis via centra van excellentie en samenwerkingen. Belangrijk is dat het model een "zwakste schakel"-regel hanteert: het algehele niveau van een organisatie wordt beperkt door het minst ontwikkelde van de zeven domeinen, wat de realiteit weerspiegelt dat één ontbrekende waarborg—zoals slechte monitoring—anders geavanceerde inspanningen kan ondermijnen.

Wat dit betekent voor patiënten en zorgverleners

Voor patiënten is het HAIRA-model bedoeld om ervoor te zorgen dat AI-hulpmiddelen op manieren worden geïntroduceerd die de zorg daadwerkelijk verbeteren in plaats van verborgen risico’s toe te voegen. Voor clinici en leiders van zorgsystemen biedt het een realistische ladder: een kleine praktijk kan er eerst naar streven Niveau 2 te bereiken door vast te leggen hoe zij leveranciersproducten kiest en controleert, terwijl een groter systeem kan werken aan hogere niveaus door te investeren in datateams, eerlijke evaluatiemethoden en continue monitoring. De auteurs benadrukken dat niet elk ziekenhuis geavanceerde capaciteiten nodig heeft, maar dat iedereen aan basisnormen voor veiligheid, gelijkheid en verantwoordelijkheid moet voldoen. Door governanceverwachtingen af te stemmen op beschikbare middelen, wil hun raamwerk betrouwbare medische AI haalbaar maken in uiteenlopende zorgomgevingen, in plaats van alleen in de best gefinancierde instellingen.

Bronvermelding: Hussein, R., Zink, A., Ramadan, B. et al. Advancing healthcare AI governance through a comprehensive maturity model based on systematic review. npj Digit. Med. 9, 236 (2026). https://doi.org/10.1038/s41746-026-02418-7

Trefwoorden: kunstmatige intelligentie in de gezondheidszorg, AI-governance, klinische besluitvormingsondersteuning, beleid voor digitale gezondheidszorg, algoritmische eerlijkheid