Kunstmatige intelligentie (AI) wordt momenteel beschouwd als een wondermiddel in de moderne geneeskunde, met de belofte om resultaten en de ervaring voor personeel en patiënten te verbeteren, de werkbelasting te verminderen en kosten te besparen. Maar hoewel het potentieel groot is, is de weg van concept naar klinische waarde lang – en in de meeste zorginstellingen nog grotendeels experimenteel.
Dat is oké, het is noodzakelijk.
AI in de gezondheidszorg bevindt zich nog in de vroege stadia en de meeste ziekenhuizen hebben tijd nodig om te leren hoe ze het effectief kunnen gebruiken. Hoewel er in bepaalde regio's aanzienlijke vooruitgang is geboekt, vooral op het gebied van radiologie. AIFI is een geweldig lokaal voorbeeld.
In tegenstelling tot een laboratoriumtest of een nieuw chirurgisch apparaat, introduceert de implementatie van AI vaak nieuwe of andere workflows, verantwoordelijkheden en verwachtingen — soms zelfs nieuwe rollen. Instellingen moeten leren en itereren om dit goed te doen. We moeten elkaar de tijd geven om 'AI klaar' te worden.
Ook als we deze veranderingen niet de tijd en structuur geven die ze nodig hebben om te landen, lopen we het risico een oude fout te herhalen: digitaliseren in plaats van digitaliseren. We hebben dit eerder gezien. Elektronische patiëntendossiers en digitale klinische paden werden ooit geprezen als game-changers – maar op veel plaatsen digitaliseerden ze simpelweg papieren processen zonder deze te herzien of te verbeteren. Het resultaat? Meer klikken, geen betere zorg. Als we AI op dezelfde manier benaderen—het in oude workflows inpassen zonder die workflows aan te passen—missen we het punt en het potentieel.
Als er een behoefte lijkt te zijn, begin dan met een businesscase (BC)
Dus wat moeten we doen voordat we een AI-initiatief lanceren? Voordat u een kant-en-klare oplossing aanschaft en implementeert of zelf met data science en alle technische vereiste taken begint, moet een businesscase worden beoordeeld. Een die duidelijk de klinische behoefte definieert, de huidige prestatie van de zorg kwantificeert en beschrijft wat succes betekent – klinisch, operationeel en financieel.
Een effectieve businesscase moet (en we richten ons hier op AI-tools die over medische apparaten gaan) worden gebouwd op:
Aangetoonde nauwkeurigheid van de huidige werkwijze: Voordat u een model implementeert, kent u uw basislijn? Wat is het huidige percentage heropnames, complicaties of vertragingen? Deze cijfers definiëren het startpunt en bepalen de inzet.
Aangetoonde prestaties van de AI-tool: Nauwkeurigheid, generaliseerbaarheid en klinische relevantie. Is het model lokaal gevalideerd of alleen extern? Behandelt het uw patiëntenpopulatie, uw EPD-systeem, uw workflows?
Preklinische effectbeoordeling of mini-HTA: Deze kaders—zoals het Core Model van EUnetHTA of het NASSS-framework—helpen de waarde van een innovatie te beoordelen voordat deze wordt geïmplementeerd. Ze geven een vroege indicatie of een AI-oplossing waarschijnlijk meetbare waarde in uw context zal opleveren.
Bewijs uit vergelijkbare klinische settings: Als de tool elders is gebruikt, wat is er gebeurd? Leidde het tot betere resultaten? Meer efficiënte processen? Echte besparingen? Peer-reviewed bewijs of echte casestudies kunnen uw veronderstellingen versterken en helpen interne steun op te bouwen.
De businesscase is een gezamenlijke inspanning
Het is verleidelijk om de verantwoordelijkheid voor ROI-berekeningen aan uw leverancier over te dragen—maar weersta die neiging. Natuurlijk moet elke leverancier u een algemeen of zelfs meer op maat gemaakt overzicht kunnen geven. Een businesscase is alleen zo goed als de verankering ervan in uw eigen klinische en operationele realiteit. Dat betekent het betrekken van:
Clinici die het probleem begrijpen en hoe zorg wordt geleverd;
Operationeel managers die de workflows, doorvoer en toewijzing van middelen begrijpen;
Financiële teams die de kosten, besparingen en budgetinvloed begrijpen.
Clinici hoeven geen financiële analisten te worden, net zoals ze geen projectmanagers hoeven te worden. Maar enkele basisvaardigheden in het begrijpen en beoordelen van businesscases worden essentieel voor het evalueren van gezondheidsinnovaties (in het algemeen). En net zoals bij het lezen van een klinische studie, is het niet genoeg om conclusies voor waar aan te nemen—ondervraag de aannames, de methodologie, de context.
Sla het proces niet over: hoe bouw je een businesscase
Als je je afvraagt waar te beginnen, hier zijn enkele praktische stappen:
Bepaal het klinische probleem: Wat probeert u precies te verbeteren? Opnames? Sepsisdetectie? Ontslagplanning?
Breng het huidige proces en de statistieken in kaart: Gebruik lokale gegevens om de prestaties te begrijpen—opnameduur, complicatiepercentages, kosten per patiënt, enz.
Verduidelijk de bijdrage van de AI-tool: Wat voorspelt het model, hoe vroeg en met welke nauwkeurigheid? Hoe zou dit klinische beslissingen veranderen?
Identificeer vereiste veranderingen in de workflow: Zullen rollen veranderen? Zullen er nieuwe waarschuwingen worden geïntroduceerd? Zullen mensen de tool vertrouwen en gebruiken?
Schat de impact in: Gebruik een preklinische beoordeling, mini-HTA of gepubliceerde casestudies om de mogelijke effecten op resultaten, kosten en middelengebruik te schatten.
Bereken ROI-scenario's: Beste geval, slechtste geval, meest waarschijnlijke geval. Inclusief implementatie- en trainingskosten, onderhoud en indirecte effecten.
Ken eigenaarschap en monitoring toe: Wie volgt adoptie, resultaten en duurzaamheid? Hoe zal succes in de loop van de tijd worden gemeten?
Hulpmiddelen om u te helpen een BC te bouwen
Als u verder wilt gaan, hier zijn enkele geweldige plekken om te beginnen:
Het Core Model van EUnetHTA: https://www.eunethta.eu
NASSS Framework (Greenhalgh et al.): Helpt de complexiteit van technologische implementatie te beoordelen.
HiMSS Value STEPS Model: Een gestructureerde manier om ROI van digitale gezondheid te beoordelen.
Healthplus.ai Implementatieblauwdruk: We gebruiken een rekenmachine voor de businesscase die gemakkelijk kan worden aangepast om de lokale praktijken en volumes te dekken. Het is zeer transparant en voor iedereen toegankelijk om de aannames in het model te controleren en aan te passen (neem contact met ons op als u een exemplaar wilt).
Laatste gedachten
AI in de geneeskunde zal niet slagen als we het alleen maar in bestaande systemen inpluggen en hopen voor het beste. Het kost tijd, leren en vaak een herziening van de zorgverlening. Daarom is het bouwen van een sterke, lokale businesscase niet zomaar een bureaucratische horde—het is de basis voor succes. Het is het beginpunt. Het biedt afstemming tussen leverancier en ziekenhuis en vormt ook de basis voor de (periodieke) evaluatie van succes.
Leveranciers moeten dit werk ondersteunen—maar ze kunnen het niet alleen doen. Vraag uw leverancier om een businesscase en bekijk deze kritisch. Pas het aan uw omgeving aan. Deel het met uw collega's. De toekomst van AI in de gezondheidszorg is samenwerkend en de eerste stap is begrijpen hoe waarde eruit ziet.
Laten we AI niet alleen veelbelovend maken, maar bewezen.
Geschreven door:
CEO & medeoprichter
