Op 12 maart 2025 stuurde de minister van Volksgezondheid het Transitieplan Landelijk Dekkend Netwerk aan de Tweede Kamer. Bijna een jaar later, op 11 maart 2026, publiceerde de Federatie Medisch Specialisten haar Digitale Agenda 2035 met zes opgaven die het werk van de medisch specialist in het digitale tijdperk moeten richting geven.
Tussen deze twee documenten in is een coherente, langjarige architectuur voor de Nederlandse zorginformatievoorziening zichtbaar geworden: een gefedereerde middenlaag voor data-uitwisseling tussen zorgaanbieders met CumuluZ als doelarchitectuur, een toestemmingsvoorziening die de patiënt regie geeft (Mitz, sinds november 2025 formeel door VWS aangewezen), het Twiin Afsprakenstelsel als basis voor het Landelijk Vertrouwensstelsel dat technische, organisatorische en juridische afspraken borgt, en een onderzoeksinfrastructuur die secundair gebruik van zorgdata mogelijk maakt zonder die data te verplaatsen (Health-RI, vantage6). Het is, na een decennium van versnipperde initiatieven, een opgave die eindelijk lijkt te landen.
Tegelijk valt op dat deze architectuur, verdedigbaar en noodzakelijk, geformuleerd is in een tijdgewricht waarin kunstmatige intelligentie (AI) in de zorg nog vooral als afzonderlijke toepassing werd gezien. Een module die over de bestaande infrastructuur heen werd gelegd, gevoed door pilotdatasets, gevalideerd in een ziekenhuis, opgeschaald naar een ander.
De stip op de horizon in de huidige beleidsplannen lijkt 2031, waarbij AI dan in de operationele zorg is geadopteerd zoals het EPD dat in de afgelopen 15 jaar werd. Mijn observatie, vanuit de klinische praktijk en in dialoog met collega’s en bestuurders, is dat die premisse de komende vijf jaar wordt gepasseerd. Niet door een revolutie in modelarchitectuur, maar door een verschuiving in de plaats die AI inneemt in de zorginfrastructuur zelf.
Van module naar werkende laag
Het verschil is fundamenteel. Een module wordt geïmplementeerd: een werkende laag wordt het substraat waarop andere processen draaien. In het eerste geval is AI iets wat aan de zorg wordt toegevoegd. In het tweede geval is AI de manier waarop de zorg zelf wordt georganiseerd: van triage tot beslissingsondersteuning, van longitudinale monitoring tot uitkomstpredictie, van transmurale overdracht tot populatiemanagement.
Wie de internationale literatuur en de ontwikkelingsrichting van de grote zorg-AI-platformen volgt, ziet dat deze verschuiving al ingezet is. Het recente overzichtsartikel van Bakas en collega’s in de Annual Review of Biomedical Engineering plaatst federatief leren niet langer als experimenteel paradigma maar als de operationele infrastructuur voor klinisch impactvolle AI op schaal. Het wijst tegelijk op een belangrijke nuance: de eerder geclaimde belofte dat federatief getrainde modellen presteren alsof getraind op een centrale dataset, geldt alleen onder specifieke condities.
Heterogeniteit tussen instellingen, verschillende beeldvormingsprotocollen, verschillende coderingen, verschillende populaties, leidt zonder algoritmische zorgvuldigheid tot wat in de literatuur sinds Karimireddy en collega’s client drift heet: lokale modellen die uiteenlopen en samen geen robuust globaal model meer vormen.
Dat is geen technische voetnoot, maar een politieke observatie. De Nederlandse zorginformatie-architectuur kent precies de heterogeniteit waarvoor naïeve federatie ontoereikend blijkt. Tussen een academisch ziekenhuis en een eerstelijnshoofdpijncentrum, tussen een UMC en een ZBC, tussen een huisartsenpraktijk en een revalidatiecentrum, lopen niet alleen patiëntenpopulaties uiteen maar ook coderingsconventies, meetfrequenties en behandelpaden. Federatief leren zonder serieuze investering in datastandaardisatie, in algoritmische compensatie voor non-IID-data, en in semantische harmonisatie via OMOP als common data model en FHIR als interoperabiliteitsstandaard, levert geen werkbare landelijke AI-laag op.
Wat ontbreekt in de huidige plannen
Het Transitieplan en de Digitale Agenda 2035 noemen AI als belangrijk thema, maar adresseren niet expliciet de architectuur die nodig is om AI als werkende laag te kunnen dragen. Drie samenhangende onderdelen verdienen, naar mijn waarneming, scherpere agendering.
Ten eerste: de overgang van federatief leren als onderzoekstool naar federatief leren als operationele infrastructuur. Vantage6, ontwikkeld bij IKNL, heeft zich bewezen in onderzoekscontexten en in het Nationaal Groeifonds-project Health-AI onder leiding van professor Andre Dekker (Maastro), waar 16 partners samenwerken aan decentraal trainen van AI-modellen met een AiNed-subsidie van negen miljoen euro.
De volgende stap hierin, van projectmatige opzet naar persistente, gefinancierde, operationeel beheerde federatieve diensten, vraagt om een ander bestuurlijk en financieel model dan de subsidies die deze projecten tot nu toe dragen. De internationale literatuur spreekt in dit verband over federated learning as a service als noodzakelijke maturiteitssprong. Voor het Nederlandse veld betekent dit een keuze die nog niet duidelijk is gemaakt: wordt vantage6 doorontwikkeld tot een nationale dienst, of blijft het een projectomgeving?
Ten tweede: de privacy-architectuur. Mitz en Twiin borgen toestemming en netwerkvertrouwen voor het primaire zorgproces. Voor federatief leren is dat een noodzakelijke maar niet voldoende voorwaarde. Aanvullende lagen, differential privacy, secure aggregation, trusted execution environments, zijn in de huidige plannen nog niet vastgelegd als landelijke standaarden. Zonder die lagen blijft het risico bestaan dat een model-update onbedoeld informatie over individuele patiënten lekt, een risico dat in de gespecialiseerde literatuur uitvoerig is gedocumenteerd. De vraag wie deze lagen voorschrijft, certificeert en audit, is open.
Ten derde: de governance van federatieve modellen. Wie een AI-model gebruikt in de operationele zorg moet kunnen aantonen dat het model gevalideerd is op een populatie die representatief is voor de patiënten waarop het wordt toegepast. Voor centrale modellen is dat ingewikkeld; voor federatief getrainde modellen, die per definitie zijn opgebouwd uit lokale bijdragen, vraagt het om een onafhankelijke evaluatiestructuur die in het huidige Nederlandse landschap niet bestaat. Internationale initiatieven als MedPerf van MLCommons werken aan federatieve benchmarking en onafhankelijke evaluatie van medische AI-modellen, maar Nederland heeft hierop nog geen positie ingenomen. De vraag is niet of deze evaluatiestructuur er komt, maar door wie en hoe verankerd.
Wat dit institutioneel betekent
De governance-vraagstukken die federatieve AI oproept, overstijgen de huidige Nederlandse gremia-laag. Niet omdat die gremia tekortschieten — het Bestuurlijk Overleg IZA, het Informatieberaad Zorg, de IZA-thematafel Databeschikbaarheid en AI, de coördinatiestructuren die VWS en het Informatieberaad inrichten voor sectoroverstijgende afstemming — maar omdat zij zijn ingericht voor besluitvorming, niet voor langjarige uitvoeringsregie van een technisch-juridische infrastructuur.
Wat in andere vitale sectoren door gespecialiseerde uitvoeringsorganisaties wordt gedragen - denk aan De Nederlandsche Bank met toezicht op de betalingsinfrastructuur of de Rijksinspectie Digitale Infrastructuur (RDI, voorheen Agentschap Telecom) voor de telecom-infrastructuur - kent in het zorgdomein nog geen equivalent dat federatieve AI als kerntaak kan dragen.
Dit is geen pleidooi voor een nieuw kernteam dat boven het bestaande veld wordt gezet. Het is een pleidooi voor consolidatie en versterking van de uitvoeringslaag die in CumuluZ en Health-RI in opbouw is, met een expliciet mandaat voor federatieve AI-infrastructuur. Een laag die de continuïteit kan dragen die deze transitie vraagt: bestendig tegen kabinetswisselingen, bestendig tegen bestuurlijke rotatie, bestendig tegen technologische modes.
De stip op de horizon, concreet
Hoe zou de zorg eruitzien wanneer deze federatieve AI-laag operationeel is? Een neuroloog die in 2031 een patiënt met chronische hoofdpijn ziet, beschikt niet alleen over het longitudinale dossier van die patiënt via de zorginfrastructuur die nu in opbouw is, maar werkt met een beslissingsondersteunend model dat continu wordt bijgewerkt op basis van behandelresultaten in alle aangesloten Nederlandse zorgaanbieders, zonder dat één patiëntdossier het ziekenhuis van herkomst verlaat.
De huisarts die de patiënt verwijst, krijgt van datzelfde model voorbereidende suggesties die gebaseerd zijn op patronen in vergelijkbare populaties. De patiënt zelf ziet, via haar persoonlijke gezondheidsomgeving, hoe haar gegevens bijdragen aan de modellen die haar behandeling sturen, en kan via Mitz precies regelen voor welk doel.
Dit beeld is niet utopisch. De technologie ervoor bestaat. Het organisatorische en bestuurlijke werk om haar te realiseren, is in Nederland verder dan in veel andere landen. Maar de stap van het huidige Transitieplan naar deze werkende laag wordt niet vanzelf gezet. Hij vraagt om een explicietere visie dan de huidige plannen formuleren, en om uitvoeringskracht die de tijdshorizon van de transitie kan dragen.
Federatief leren is geen onderzoeksparadigma meer. Het wordt, of het wordt niet, de werkende laag van de zorg-AI in Nederland. Wie nu in de architectuur, de financiering en de governance-keuzes maakt, bepaalt welke kant het opgaat.
