De digitale zorgwereld bevindt zich in een ongekende overgangsfase. Waar informatiestandaarden decennialang draaiden om structuur, syntax en interoperabiliteit, schuift de horizon nu met de komst van AI steeds meer richting betekenis, context en interpretatie. Kunstmatige intelligentie – en vooral large language models (LLM’s) – zijn niet zomaar een nieuwe laag in die keten, maar herschrijven de hele manier waarop data ontstaan, bewegen en betekenis krijgen.
Het begint al bij de bron: het vastleggen van zorginformatie. Waar zorgprofessionals nu nog worstelen met dubbele registratie of rigide EPD-schermen met talloze checkboxes en dropdown menu’s, kan spraakgestuurde invoer (speech-to-text) straks de natuurlijke taal van de professional direct omzetten in gestructureerde data. AI-modellen kunnen daarbij context herkennen – wie spreekt, over welke patiënt, welk moment in het zorgproces – en automatisch de juiste coderingen (SNOMED, LOINC) en informatiemodellen (FHIR, openEHR) genereren.
De uitdaging verschuift daarmee van ‘hoe leg ik dit vast?’ naar ‘hoe borg ik dat de interpretatie van de AI klopt?’. In deze fase worden standaarden niet overbodig, maar juist fundamenteler. Ze vormen met name de semantische ruggengraat die AI helpt begrijpen wat een bloeddrukmeting of allergie betekent, om dit ook goed te kunnen standaardiseren en coderen. Zonder dat fundament verworden de zorgdata tot semantisch drijfzand.
Wanneer gegevens eenmaal beschikbaar zijn, vervult AI een tweede rol: de semantische vertaler. In plaats van ingewikkelde (soms handmatige) mappings tussen FHIR-profielen, HL7-berichten of openEHR-templates, kunnen LLM’s de onderliggende betekenis leren en automatisch vertalingen uitvoeren tussen standaarden, versies en contexten, met steeds minder kwaliteitsverlies. Een arts in Nederland gebruikt dan bijvoorbeeld een andere zorginformatiebouwsteen (zib) dan een collega in Duitsland, maar de AI-toepassing begrijpt dat beide zib’s verwijzen naar hetzelfde conceptuele anker.
Dit maakt niet alleen internationale gegevensuitwisseling realistischer, maar vermindert ook de complexiteit van implementatie. Waar we nu jaren besteden aan ‘profiel-afstemming’, zou een goed getrainde AI met ‘semantic grounding’ dat binnen seconden kunnen doen – mits die AI zelf gegrond is in de juiste referentiemodellen en terminologieën.
Samenvatten en contextueel presenteren
Aan de ontvangende kant komt AI opnieuw in beeld, nu als intelligente presentatielaag. In plaats van ruwe datavelden of lablijsten, genereert een LLM contextuele samenvattingen: een klinische synthese, afgestemd op rol en situatie. Een verpleegkundige krijgt andere accenten dan een specialist ouderengeneeskunde. De data zijn dezelfde, maar de representatie is persoonlijk en doelgericht. Hier ontstaat een nieuw samenspel: standaarden zorgen dat de onderliggende data betrouwbaar, uitwisselbaar en betekenisvol blijven, terwijl AI-toepassingen ervoor zorgen dat de presentatie mensgericht, flexibel en begrijpelijk wordt.
Waar standaarden heen bewegen
De vraag is dan: wat wordt de toekomst van informatiestandaarden zelf? Het antwoord ligt in een verschuiving van use case-specifieke structurering naar semantische verankering van AI-modellen. In plaats van elk denkbaar zorgproces in FHIR-profielen of bouwstenen te modelleren, zouden standaarden zich meer moeten richten op het grounden van AI: het expliciet verbinden van zorginhoudelijke concepten, definities en context aan machine-intelligentie.
Standaardisatieorganisaties, zoals Nictiz, zouden zich dan minder moeten bezighouden met het modelleren van berichten, en meer met het garanderen van betekenisvolle referentieconcepten, open vocabularia, audittrail-mechanismen en transparante trainingssets. AI-systemen moeten immers kunnen uitleggen waarom ze iets concluderen, en op basis waarvan. Daar ligt de nieuwe toetssteen voor vertrouwen.
Nieuwe rol informatiestandaarden
In de toekomst zal de rol van informatiestandaarden zich ontwikkelen van de workflow dicteren naar het vormen van de semantische grond vormen waarop AI-modellen veilig en verantwoord kunnen leren, redeneren en communiceren.
Mijn advies aan beleidsmakers, leveranciers en zorginstellingen:
- Investeer niet alleen in nieuwe standaarden, maar in ‘AI-grounding frameworks’ die ervoor zorgen dat modellen correct gebruikmaken van bestaande terminologieën.
- Stimuleer open tooling en validatie-omgevingen waar AI-uitvoer systematisch kan worden getoetst aan de norm.
- Herdefinieer standaardisatieprocessen als continu lerende ecosystemen waarin mensen, data en AI samen betekenis geven aan zorginformatie. Nictiz kijkt hier actief naar en onderzoekt hoe dit in de Nederlandse context kan worden vormgegeven.
Concluderend: de toekomst van informatiestandaarden ligt niet in meer tabellen, maar in meer betekenisvol vertrouwen.
