AI in medische diagnose — waar het écht werkt, voorbij de hype

Er is een terugkerend genre in tech-journalistiek. Een krantenkop belooft dat AI binnenkort artsen overbodig maakt. Een studie wordt aangehaald waarin een AI een bepaalde diagnose beter scoort dan de gemiddelde specialist. Commentatoren speculeren over de toekomst van de geneeskunde. En dan, zes maanden later, blijkt dat de AI in de praktijk niet wordt ingezet, of in specifieke omstandigheden slecht werkt, of alleen in geselecteerde cases goed scoort.

Dit gebeurt al sinds ongeveer 2015 met regelmaat. "AI verslaat radiologen in longkanker-detectie." "AI beter dan dermatologen in huidkanker-herkenning." "AI identificeert Alzheimer jaren eerder dan artsen." Elk van deze claims is deels waar. Geen van deze claims heeft geleid tot de vervanging die werd voorspeld.

In 2026 is het tijd om een genuanceerder beeld te hebben. AI in medische diagnose werkt op specifieke manieren — en die manieren zijn nuttiger dan de hype doet geloven.

Waar AI écht werkt

De meest bewezen toepassing is beeldanalyse in specifieke gevallen. Een paar voorbeelden:

Diabetische retinopathie. Een oogziekte veroorzaakt door diabetes die tot blindheid kan leiden. Jaarlijkse screening is effectief om progressie te voorkomen, maar in veel landen is er onvoldoende oogspecialist-capaciteit. Google's Verily ontwikkelde een algoritme dat retinabeelden even nauwkeurig classificeert als specialisten. Het is in productie in India (Aravind Eye Care System), Thailand, en op kleinere schaal elders. Resultaat: mensen in rurale gebieden krijgen toegang tot screening die ze eerder niet hadden.

Diabetische retinopathie werkt goed omdat: de diagnose is visueel en goed gedefinieerd. De trainingsdata is ruim beschikbaar (miljoenen retinabeelden). Er is een concrete bottleneck (specialistenschaarste) die de AI oplost. Implementatie is beperkt qua complexity (een iPad plus camera).

Pathologie. AI-systemen analyseren microscopische beelden van weefselmonsters. Ze kunnen kankercellen identificeren, tumor-aggressiviteit inschatten, specifieke mutaties voorspellen. Paige, een bedrijf dat AI-pathologie ontwikkelt, heeft FDA-goedkeuring voor prostaatkanker-detectie. Verschillende grote ziekenhuizen gebruiken deze systemen.

Pathologie werkt omdat: weefselonderzoek gaat om patroon-herkenning in beelden — precies waar moderne AI goed in is. De arts blijft eindbeoordelaar, AI doet voor-screening. Volume is hoog (duizenden monsters per ziekenhuis per maand), dus productiviteitswinst is meetbaar.

Radiologie. Longkanker-screening, mammografie, CT-scans voor specifieke aandoeningen. Verschillende AI-systemen presteren op level van specialisten voor gefocuste taken. Ze worden ingezet als "second reader" — de AI beoordeelt samen met de radioloog, discrepanties worden apart bekeken.

Cardiologie. ECG-analyse met AI kan vroege tekenen van atriumfibrilleren en andere ritmestoornissen detecteren. Apple Watch's onregelmatige hartslag-notificatie is een consumer-grade versie van dit soort technologie.

Dermatologie. Huidkanker-herkenning met AI werkt redelijk, met caveats. Specifieke zorg: systemen getraind op overwegend witte huid werken slechter op andere huidtinten — een bias-probleem dat de industrie nog aan het oplossen is.

Waar AI minder goed werkt

Algemene medische diagnose. "Wat heeft deze patiënt, gegeven deze symptomen en deze bloedwaarden?" Deze vraag is fundamenteel moeilijker dan gespecialiseerde beeldanalyse. Het vereist integratie van meerdere informatiebronnen, context over de patiënt, fysieke examen, gesprek. Algemene AI-diagnose-systemen halen kwalificaties op carefully-selected cases, maar falen vaak in de real-world-brei van medische diversiteit.

Patiëntcommunicatie. AI kan informatie uitleggen, maar slecht reageren op emotionele reacties, non-verbale signalen, individuele context. Diagnose communiceren vereist menselijk oordeel dat AI niet heeft.

Zeldzame ziektes. Ironisch genoeg: zeldzame ziektes — waar AI potentieel veel kan helpen omdat artsen ze zelden zien — zijn juist waar AI slechter werkt. Er is te weinig trainingsdata. Elk geval is uniek. De generalisatie die AI goed maakt op veelvoorkomende ziektes, faalt hier.

Nieuwe uitbraken en opkomende ziekten. Een AI getraind op historische data weet niets over een nieuwe coronavirus-achtige uitbraak. Aanpassen vereist hertraining, wat tijd kost die een acute medische crisis niet heeft.

Het integratieprobleem

De technische prestaties van AI-systemen zijn vaak indrukwekkend in gecontroleerde studies. In de praktijk blijft de adoptie trager. Waarom?

Workflow. Een AI die 95% nauwkeurig is, is nuttig. Maar als de integratie in de elektronische patiëntendossier-systeem moeilijk is, als de output niet duidelijk is, als de arts de context niet snel kan begrijpen — dan wordt de AI niet gebruikt. Software-design matters evenveel als algoritme-kwaliteit.

Regulering. Medische AI vereist goedkeuring (FDA in de VS, CE-markering in de EU). Dat proces duurt jaren en is duur. Bedrijven worstelen met de bewijzen die nodig zijn — vooral omdat standaarden nog evolueren.

Aansprakelijkheid. Als een AI een tumor mist en de patiënt verslechtert, wie is verantwoordelijk? De arts die op de AI vertrouwde? De fabrikant? Het ziekenhuis dat de integratie organiseerde? Juridisch niemandsland in 2026 nog steeds.

Acceptatie door artsen. Veel artsen zijn sceptisch of voorzichtig. Sommige zien AI als bedreiging voor hun professionele status. Anderen wantrouwen de "black box"-aard van AI-output. Adoptie vraagt niet alleen technologie maar culturele verandering.

Kosten. AI-diagnose is niet gratis. Implementatie kost aanzienlijk. Vaak wordt dat verrekend met ziekenhuisbudgets die al strak zijn. De business case voor AI-integratie moet duidelijk zijn.

De verzonnen onderzoeken

Een onaangenaam patroon in medische AI-publicaties. Veel studies zijn "in silico" of gebaseerd op historische datasets, niet prospectief bij echte patiënten. Ze tonen dat de AI goede resultaten heeft op cases die al bekend zijn. Dat is niet hetzelfde als bruikbaar in de praktijk.

Bovendien zijn sommige resultaten niet reproduceerbaar in andere settings. Een AI die uitstekend werkt in een universiteitsziekenhuis in Boston, kan slecht werken in een kliniek in India — door verschillen in apparatuur, patiëntpopulatie, workflow. "Distributionele shift" is een diep technisch probleem dat in de pers vaak wordt onderschat.

Critici wijzen hierop terecht. De kloof tussen gepubliceerde AI-resultaten en praktische implementatie blijft groot. Dat betekent niet dat AI-diagnose niet werkt — sommige applicaties doen het wel. Het betekent wel dat er meer nuance nodig is in hoe we over AI-diagnose praten.

Waar de échte waarde zit

Misschien is de grootste paradox van medische AI dat de grootste waarde zit waar de technologie vaak niet is.

Onderbediende gebieden. In landen met weinig specialisten (grote delen van Afrika, Zuid-Oost-Azië, rurale gebieden overal) kan AI het verschil maken tussen geen diagnose en een redelijke diagnose. Daar kan een AI die 80% nauwkeurig is enorm nuttig zijn — want het alternatief is 0% specialist-aandacht.

Diabetische retinopathie in rurale India, TB-detectie in Afrika, cholera-tracking tijdens uitbraken — hier is AI echt belangrijk. Niet perfect, maar beter dan niks.

Preventieve screening. Massaal screenen is duur met menselijke capaciteit. AI kan kostentechnisch haalbare screening faciliteren. Vrouwenmammografie, bepaalde kankervrachttests, oogheelkunde — schaalbaar door AI.

Zeldzame ziekte-patroonherkenning. Een AI die door duizenden patientenrecords kan zoeken naar patronen, kan soms zeldzame ziekten identificeren die individuele artsen missen. Dit werkt vaak via "diagnostische odysseen"-ondersteuning voor families met ongediagnostiseerde kinderen.

Administratieve taken. Misschien de minst sexy maar meest impactvolle. Verslagen schrijven, dictee transcriben, documentatie automatiseren. Een arts die 20% minder tijd kwijt is aan papierwerk, heeft 20% meer tijd voor patiënten. Het is niet romantisch maar het is belangrijk.

Het boek dat Eric Topol schreef

Cardioloog Eric Topol heeft jaren over AI in geneeskunde geschreven. Zijn centrale boodschap in boeken als Deep Medicine (2019) en latere werken: AI zal de geneeskunde niet transformeren door artsen te vervangen. Ze zal het doen door bepaalde taken te automatiseren, zodat artsen zich kunnen concentreren op wat ze uniek kunnen — begrip, communicatie, oordeel.

"We zullen terugkeren naar meer menselijke geneeskunde", schrijft Topol, "door minder menselijke taken aan AI over te laten."

Of dat klopt is de nuttige vraag. Niet "zal AI artsen vervangen?" maar "welke taken willen we automatiseren, zodat artsen kunnen doen wat alleen zij kunnen?"

Wat we redelijk kunnen verwachten

Voor 2030, realistisch:

• AI-screening in meer beelden-domeinen wordt standaardzorg (retinopathie, pathologie, specifieke scans).
• Algemene AI-diagnose blijft achter verwachting, maar specifieke clinical decision support-tools verbeteren.
• Administratieve AI (transcriptie, documentatie, coding) wordt wijdverspreid.
• Telemedicine krijgt AI-ondersteuning voor triage.
• Individuele zorgmonitoring via apparaten (Apple Watch, Dexcom glucose, etc.) wordt AI-gestuurd.

Wat NIET waarschijnlijk is:

• "Dr. AI" die integral medical care provides zonder mens.
• Volledige automatisering van diagnose-processen.
• Massale ontslagen van artsen door AI.

De onderliggende les

De AI-in-geneeskunde-verhaal heeft een bredere les. Het meest nuttige AI-gebruik is zelden de meest dramatische. Vervangen van mensen in hun core werk: moeilijk, langzaam, vaak niet wenselijk. Aanvullen van mensen in specifieke taken: haalbaar, direct waardevol, meestal positief ontvangen.

Dat patroon speelt waarschijnlijk ook in andere professionele domeinen. Advocaten, leraren, ingenieurs — allemaal zullen ze AI-assistentie krijgen voor specifieke taken, terwijl het kernwerk menselijk blijft. Het grote verhaal van vervanging verschuift naar het subtielere verhaal van taakherverdeling.

Voor patiënten betekent dit praktisch: je arts wordt waarschijnlijk niet AI. Maar je arts gebruikt waarschijnlijk wel AI-tools, en die tools helpen de diagnose en behandeling te verbeteren. Dat is geen sciencefiction-versie van de toekomst. Dat is gewoon betere gezondheidszorg, stukje bij beetje, ontdaan van sommige werklast en verrijkt met extra ogen en ondersteuning.

Niet slecht, als je erbij stilstaat. Niet transformationeel in dramatische zin. Wel nuttig op een concrete manier — wat mogelijk belangrijker is dan wat de krantenkoppen ooit hebben beloofd.