De belofte van AI in de spreekkamer is inmiddels bekend: minder administratietijd, meer aandacht voor de patiënt. Maar wie voorbij de hype kijkt, ziet dat de echte vraag een praktische is: hoe werkt het in de dagelijkse praktijk van een ziekenhuis? En minstens zo belangrijk: hoe voorkom je dat je als zorginstelling vastzit aan één leverancier in een markt die zich razendsnel ontwikkelt?
Binnen het mProve Funxlab is die vraag niet theoretisch. Zeven topklinische ziekenhuizen werken samen aan het transformatieproject ‘Transcriptie in de Spreekkamer’. Inmiddels zijn zes van de zeven ziekenhuizen live met spraakgestuurde AI-oplossingen voor automatische verslaglegging. De technologie is geen experiment meer, maar dagelijkse realiteit voor artsen en verpleegkundigen.
AI in de spreekkamer
De basis is eenvoudig. Tijdens een consult luistert de software mee, zet het gesprek om in tekst en genereert vrijwel direct een gestructureerde samenvatting. In onze recente meting leverden alle deelnemende leveranciers hun verslag binnen twee minuten aan; vaak zelfs binnen enkele seconden. Dat is cruciaal. In een polikliniek waar patiënten elkaar snel opvolgen, is een systeem dat pas een uur later iets oplevert simpelweg onbruikbaar.
Na het consult ontvangt de zorgverlener een conceptverslag, met de mogelijkheid een uitdraai te maken op een ander taalniveau, voor patiënten met lagere taalvaardigheden. Dit wordt gecontroleerd, waar nodig aangepast en vervolgens opgeslagen in het elektronisch patiëntendossier (EPD). In de huidige situatie gebeurt dat op sommige plekken nog via copy-paste. Dat is suboptimaal, maar wel de realiteit zolang volledige integratie met het EPD achterblijft.
En daar zit de uitdaging. Integratie in een EPD is voor opschaling essentieel. Zonder directe koppeling blijft het een extra handeling in plaats van een echte workflow-ondersteuner. Interessant genoeg leidde publicatie van het mProve whitepaper tot stevige reacties vanuit deze hoek, maar óók tot versnelling: binnen drie weken lag er een eerste integratie, sneller dan gepland. Soms helpt transparantie om beweging te creëren.
Concrete impact
De impact verschilt per setting. Zorgprofessionals zijn enthousiast en kritisch. Bij korte herhaalconsulten is de tijdswinst beperkt. Maar bij nieuwe patiënten in beschouwende specialismen – met langere gesprekken en veel nieuwe informatie – zien we structurele tijdsbesparing.
Ook bij verpleegkundige gesprekken is er duidelijke meerwaarde. In een casus rond een gesprek met een eerste verantwoordelijke verpleegkundige (EVV) – het vaste aanspreekpunt die het zorgplan met patiënt en naasten bespreekt, evalueert en bijstelt – werd gemiddeld een netto tijdswinst van ruim zes minuten per verslag gemeten, inclusief correctietijd. In sommige gevallen liep dat op tot bijna acht minuten.
Belangrijker misschien nog: verpleegkundigen beoordeelden vijf van de zes AI-verslagen als beter dan een handmatig geschreven referentieverslag. Dat is geen detail. In een arbeidsmarkt waar het tekort aan verpleegkundigen vele malen groter dreigt te worden dan dat aan medisch specialisten, is elke minuut registratietijd die vrijkomt relevant.
Tegelijkertijd ligt de lat hoog. De vraag die wij hanteren, is simpel: kan dit verslag – na controle – zó het EPD in? De meeste verslagen scoren inmiddels een ruime voldoende op compleetheid en correctheid, maar er blijven negatieve uitschieters. Een verkeerd gespelde medicatienaam kan het vertrouwen in één klap ondermijnen. Medische accuraatheid is geen nice to have, maar een randvoorwaarde.
AI Validatielab als innovatie op zich
Wat het AI Validatielab bijzonder maakt, is de vernieuwende manier van beoordelen, dicht bij de praktijk en in co-creatie tussen leveranciers en mProve ziekenhuizen. Leveranciers ontvangen vooraf een zeer concrete vragenlijst over impactmetingen (werkplezier, tijdsreductie), regelgeving (NEN 7510, ISO, Medical Device Regulation), technische architectuur en supportorganisatie. Data scientists beoordelen de backend; zorgverleners beoordelen de output; ICT- en bedrijfskundige experts kijken naar schaalbaarheid en prijsmodellen.
Tijdens de livesessie worden echte gesprekken gevoerd – een medisch specialistisch consult en een verpleegkundig gesprek – die worden getranscribeerd. De output wordt geanonimiseerd en beoordeeld op compleetheid, correctheid, structuur en formulering. Leveranciers krijgen een individueel ontwikkelrapport. Daarnaast publiceerde mProve een whitepaper voor de bredere zorgsector en een vertrouwelijke gedetailleerde ‘blackpaper’ voor direct betrokkenen.
Het doel? Vendor lock-in voorkomen. Door meerdere leveranciers periodiek, objectief te meten en inhoudelijke feedback te geven, ontstaat een gelijker speelveld. Meer partijen krijgen de kans om te leren en door te ontwikkelen. Dat houdt de kwaliteit hoog en de prijzen realistisch. Het is nadrukkelijk geen beauty contest. Het is een weegmoment.
Dat sommige grote spelers twee keer niet verschenen, zegt overigens ook iets. Marktleiderschap toon je niet in marketing, maar in transparantie en bereidheid om je toetsbaar op te stellen.
Waar op letten?
Voor bestuurders, CNIO’s en CMIO’s die nu overwegen te starten of op te schalen, zijn er vijf praktische aandachtspunten:
- Meet impact zelf. Vertrouw niet alleen op leveranciersclaims. Richt een uniforme nul- en effectmeting in.
- Standaardiseer verslaglegging. Veel ‘problemen’ in structuur en toon zijn oplosbaar als vakgroepen duidelijke formats hanteren.
- Denk vooruit over de Medical Device Regulation (MDR). Zodra AI meer doet dan transcriberen – bijvoorbeeld orders klaarzetten of klinische suggesties doen – kom je in medisch-hulpmiddelterritorium. Dat vraagt om een tijdig en realistisch compliance-traject.
- Regel integratie vroegtijdig. Zonder EPD-koppeling blijft de businesscase fragiel.
- Organiseer een feedbackloop. Continue kwaliteitsverbetering vraagt om structurele terugkoppeling naar leveranciers.
Van transcriptie naar AI-agent
De volgende stap dient zich al aan: van passieve verslaglegging naar actieve, spraakgestuurde AI-agents die taken uitvoeren, orders voorbereiden en workflows ondersteunen. De potentie is groot, maar deze stap staat echt nog in de kinderschoenen. Hoe autonomer het systeem, hoe groter de eisen aan validatie, compliance en governance – zeker in het licht van de Medical Device Regulation en de bredere Europese AI-regelgeving.
AI in de spreekkamer is daarmee geen IT-project, maar een organisatieverandering. Het vraagt durf om te starten, discipline om te meten en samenwerking om te voorkomen dat ieder ziekenhuis het wiel opnieuw uitvindt.
De technologie is nog niet perfect. Maar ze is wel goed genoeg om verschil te maken mits we haar blijven toetsen, verbeteren en gezamenlijk inbedden. De toekomst van AI in de spreekkamer zit niet alleen in het algoritme – maar in de manier waarop we er samen mee werken.
