De Mayo Clinic beschikt binnen haar zorgsysteem over ongeveer 150 AI-modellen, die alles omvatten van AI-schrijvers en vroege kankerdetectie tot ECG-analyse, pathologie en triage op de spoedeisende hulp. Sommige worden al in de klinische praktijk gebruikt, terwijl andere nog worden gevalideerd of ontwikkeld. Ze vereisen allemaal rekenkracht, gegevens en robuust beheer.
Een half uur tijdswinst bij het analyseren van patiëntendossiers
Mayo Clinic kent iedereen in de VS. De zorgorganisatie, die jaarlijks 1,3 miljoen mensen uit meer dan 130 landen behandelt, ontwikkelt en implementeert al enkele jaren kunstmatige intelligentie op het gebied van administratie, diagnose en behandeling, en klinisch onderzoek. Vandaag de dag telt het portfolio van AI-modellen ongeveer 150, zo blijkt uit een recent CNN-interview met Matthew Callstrom, medisch directeur van het generatieve AI-programma bij Mayo Clinic.
Mayo publiceert officieel geen volledige lijst van al haar AI-modellen, en de portfolio omvat toepassingen in verschillende stadia van ontwikkeling, validatie en implementatie. De belangrijkste modellen zijn echter bekendgemaakt in interviews, wetenschappelijke publicaties en aankondigingen van samenwerkingsverbanden.
Het onlangs onthulde Record Time is een door AI aangestuurde oplossing die in samenwerking met Scale AI is ontwikkeld. Het is gemaakt om versnipperde medische dossiers aan te pakken. Patiënten leveren vaak medische dossiers aan uit meerdere andere zorginstellingen. In complexe gevallen kunnen deze dossiers oplopen tot enkele honderden pagina’s. Record Time ordent de informatie chronologisch en helpt artsen de meest relevante feiten te identificeren.
Volgens de Mayo Clinic kan de oplossing de voorbereidingstijd voor een consult met 5 tot 30 minuten per patiënt verkorten. AI neemt een deel van het werk van het zoeken naar en ordenen van informatie over, terwijl de diagnose en behandelingsbeslissingen de verantwoordelijkheid van de arts blijven. De oplossing wordt momenteel getest.
AI zoekt naar verborgen aandoeningen
AI-ECG is een reeks AI-modellen die door de Mayo Clinic is ontwikkeld om patronen in standaard-elektrocardiogrammen te identificeren die kunnen wijzen op anderszins moeilijk te detecteren hartaandoeningen.
Mayo ontwikkelt al enkele jaren AI-ondersteunde ECG-modellen. Eén toepassing is ontworpen om patiënten te identificeren die risico lopen op cardiale amyloïdose, een ziekte die moeilijk te diagnosticeren kan zijn, met name in de vroege stadia. Het model is ontwikkeld op basis van ECG-gegevens die tussen 2000 en 2019 zijn verzameld.
Andere AI-ECG-modellen van Mayo zijn ontwikkeld om aandoeningen te detecteren zoals een lage ejectiefractie, atriumfibrilleren, aortastenose en hypertrofische cardiomyopathie. Een AI-ECG-algoritme van Mayo voor het detecteren van een lage ejectiefractie kreeg in 2023 goedkeuring van de FDA voor klinisch gebruik. Andere toepassingen, waaronder die welke zijn ontworpen om cardiale amyloïdose te identificeren, worden nog onderzocht.
Een ander diagnostisch model, REDMOD, maakt gebruik van computertomografie (CT)-beeldanalyse voor de vroege opsporing van alvleesklierkanker. In plaats van simpelweg te zoeken naar een reeds zichtbare tumor, analyseert het model subtiele veranderingen in de structuur van de alvleesklier die aan een conventionele diagnose vooraf kunnen gaan.
In een validatiestudie identificeerde REDMOD ongeveer 73% van de prediagnostische gevallen van alvleesklierkanker, gemiddeld zo’n 16 maanden vóór de diagnose. Het detectiepercentage was bijna twee keer zo hoog als dat van specialisten die dezelfde scans zonder AI-ondersteuning beoordeelden. Het model ondergaat nog verdere klinische validatie.
AI in de pathologie en palliatieve zorg
In samenwerking met Aignostics en Charité – Universitätsmedizin Berlin heeft Mayo Atlas ontwikkeld, een basismodel voor pathologie dat is getraind op meer dan 1,2 miljoen histopathologische whole-slide-beelden (WSI’s). Atlas is geen afzonderlijke diagnostische toepassing, maar een basismodel dat de ontwikkeling van verschillende AI-toepassingen voor de pathologie kan ondersteunen.
Tegelijkertijd ontwikkelt Mayo een digitale werkomgeving voor pathologen. Fusion AP, ontwikkeld in samenwerking met Techcyte, integreert een beeldviewer voor histopathologie met klinische gegevens en AI-tools.
Het platform biedt pathologen toegang tot meer dan 22,6 miljoen whole-slide-beelden, waaronder zowel actuele als historische preparaten. Hierdoor kunnen beelden naast gerelateerde klinische informatie worden bekeken en biedt het de infrastructuur om aanvullende AI-toepassingen in de digitale pathologie in te zetten en te evalueren.
AI ondersteunt ook de palliatieve zorg. In samenwerking met Bayesian Health heeft Mayo een systeem ontwikkeld dat gegevens over ziekenhuispatiënten analyseert en helpt bij het identificeren van patiënten die baat zouden kunnen hebben bij een vroegtijdig consult voor palliatieve zorg. In een klinische studie ging het gebruik van het systeem gepaard met een toename van 44% in tijdige doorverwijzingen naar de palliatieve zorg. Uit het onderzoek bleek ook dat het aantal heropnames binnen 60 en 90 dagen afnam. Het systeem is geïntegreerd in het elektronische patiëntendossier en brengt binnen de klinische workflow informatie naar voren over de mogelijke behoefte van een patiënt aan palliatieve zorg.
Precisiegeneeskunde, radiologie en voorspellingen
Samen met Cerebras ontwikkelt de Mayo Clinic het Mayo Clinic Genomic Foundation Model, dat AI gebruikt om genetische varianten en genomische gegevens te analyseren. De eerste focus ligt op reumatoïde artritis, met als doel de voorspelling van de reactie op de behandeling te verbeteren en een meer gepersonaliseerde behandelingskeuze te ondersteunen. Het model is nog in ontwikkeling en wordt momenteel niet gebruikt als routinematig klinisch hulpmiddel.
In samenwerking met Microsoft Research ontwikkelt Mayo ook multimodale AI-modellen voor medische beeldvorming. Een van de toepassingen die wordt onderzocht, betreft röntgenfoto’s van de borstkas. Mogelijke toepassingen zijn onder meer het genereren van voorlopige rapporten, het controleren van de plaatsing van katheters en het vergelijken van onderzoeken van een patiënt in de loop van de tijd.
Ook het aantal voorspellende AI-toepassingen neemt toe. Mayo en Predicate AI hebben bijvoorbeeld gewerkt aan oplossingen die zijn ontworpen om het risico op sepsis in een vroeger stadium te identificeren aan de hand van informatie uit patiëntmonitoren en elektronische patiëntendossiers.
AI wordt onderzocht voor ziekenhuisactiviteiten, waaronder triage, beheer van de patiëntenstroom, het voorspellen van de vraag naar bedden en het plannen van operaties. Onderzoekers van de Mayo Clinic Arizona hebben een model ontwikkeld dat triagegegevens van de spoedeisende hulp gebruikt om te voorspellen of een patiënt in aanmerking komt voor een verticaal behandeltraject (VPP). Bij deze aanpak kunnen geselecteerde patiënten zittend of staand blijven in plaats van in een traditioneel ziekenhuisbed te worden geplaatst. Het model is getraind met gegevens van 49.350 bezoeken aan de spoedeisende hulp.
Een ander onderzoek uit 2026 door Mayo-onderzoekers onderzocht een AI-model dat is ontworpen om tijdens de triage op de spoedeisende hulp te voorspellen of een patiënt ziekenhuisopname nodig heeft. Mayo-onderzoekers ontwikkelen ook AI-tools die door patiënten ingezonden foto’s van postoperatieve wonden analyseren. Het doel is om mogelijke infecties op de operatieplaats te identificeren en het klinisch personeel te helpen bepalen welke gevallen verdere aandacht vereisen.
AI modellen vergen energie, gegevens, rekenkracht en governance
Een portfolio van ongeveer 150 AI-modellen vereist een omvangrijke computerinfrastructuur. Mayo maakt al geruime tijd gebruik van cloudtechnologie. In 2019 ging het een strategisch partnerschap van tien jaar aan met Google, gericht op Google Cloud, dat een belangrijk onderdeel vormt van de digitale infrastructuur van Mayo.
In juni 2026 kondigden Mayo en Microsoft een samenwerking aan om een baanbrekend AI-model te ontwikkelen dat specifiek is bedoeld voor de gezondheidszorg. Het model is bedoeld om een breed scala aan klinische redeneringen en toepassingen in de gezondheidszorg te ondersteunen, in plaats van te functioneren als een „ChatGPT voor artsen“. Microsoft is van plan het model beschikbaar te stellen via Azure Foundry API’s.
Tegelijkertijd heeft Mayo geïnvesteerd in zijn eigen high-performance computing-infrastructuur. In 2025 heeft de organisatie een NVIDIA DGX B200 SuperPOD geïmplementeerd ter ondersteuning van de ontwikkeling van basismodellen en andere AI-toepassingen, waaronder werkzaamheden op het gebied van digitale pathologie, geneesmiddelenontwikkeling en precisiegeneeskunde.
Mayo’s benadering van AI bestaat niet louter uit het ontwikkelen van een model en het onmiddellijk in klinisch gebruik nemen: de organisatie heeft een proces voor AI-governance en levenscyclusbeheer opgezet, waarbij klinische AI-toepassingen worden beoordeeld voordat medewerkers van Mayo er gebruik van kunnen maken.
De beoordeling kan betrekking hebben op modelprestaties, patiëntveiligheid, integratie in de workflow, privacy, beveiliging en levenscyclusbeheer. Afhankelijk van de toepassing kan validatie bestaan uit retrospectieve studies, prospectief klinisch onderzoek of andere vormen van evaluatie. Niet elk AI-model doorloopt noodzakelijkerwijs een klinische proef.
Zodra toepassingen zijn geïmplementeerd, worden ze onderworpen aan voortdurende monitoring van de prestaties en de levenscyclus. Dit is met name belangrijk omdat een AI-model dat tijdens de ontwikkeling goed presteert, zich anders kan gedragen wanneer het wordt blootgesteld aan nieuwe patiëntenpopulaties, workflows of gegevens.
Daardoor groeit Mayo uit tot een belangrijk onderzoeks- en ontwikkelingscentrum voor medische AI. De organisatie heeft ook Mayo Clinic Platform_Connect ontwikkeld, een federaal netwerk voor gezondheidsgegevens waarmee organisaties algoritmen kunnen ontwikkelen, testen en valideren met behulp van beveiligde, geanonimiseerde klinische gegevens, terwijl de deelnemende instellingen de controle over hun eigen gegevens behouden. Het doel is om een infrastructuur te creëren die klinische gegevens, rekenkracht, onderzoeksexpertise en klinische validatie combineert.
