In de radiologie zijn we voorbij de fase van ‘een beetje experimenteren met AI’. De vraag is niet meer of AI een rol heeft, maar hoe we het effectief implementeren. Niet als hobbyproject van één enthousiaste arts, maar op schaal, binnen de hele afdeling, met duidelijke governance en liefst een solide business case.
Steeds vaker kiezen ziekenhuizen er niet voor om losse AI-oplossingen aan te schaffen en te implementeren, maar om te investeren in een bredere infrastructuur: een AI-platform. AI-platforms beloven de implementatie en integratie van AI eenvoudiger te maken. In plaats van voor elk AI-product een apart inkoopproces en een aparte technische koppeling te doorlopen, biedt een platform één centraal toegangspunt: één contractpartij, één technische integratie, één plek voor monitoring en een marktplaats waaruit ziekenhuizen kunnen kiezen uit meerdere AI-oplossingen. Zo kunnen nieuwe AI-toepassingen sneller worden ingevoerd en zijn beheer, evaluatie en wisselen tussen producten eenvoudiger.
Verschillende bedrijven bieden zulke AI-platforms aan. Denk aan PACS-leveranciers zoals Sectra en Agfa, onafhankelijke platformaanbieders zoals Incepto en deepc, grote AI-leveranciers zoals Aidoc, OEM-bedrijven zoals Siemens en Philips en leveranciers van postprocessing zoals TeraRecon. Er is dus veel keus, maar waar moet je op letten?
Het Spaarne Gasthuis besloot onlangs een AI-platform aan te schaffen, en Amsterdam UMC is van plan dat ook te doen. Kicky van Leeuwen, AI-implementatiespecialist bij Romion Health, sprak met Inez Verpalen, aios radiologie bij beide ziekenhuizen en postdoconderzoeker bij Amsterdam UMC, over de motivatie en het aanschafproces. Door haar sterke interesse in AI en haar onderzoek op dit gebied is zij nauw betrokken bij de selectie van het platform.
We zochten een goede manier om meerdere AI-modellen tegelijk te integreren. We wilden een gestroomlijnde en gestructureerde aanpak die ook toekomstbestendig is. Zonder platform is het integreren van een AI-model een complex proces dat veel tijd kost, zowel bij het besluit welke AI-tool je gebruikt als bij de technische integratie. Dat hele proces is nu erg kostbaar, zeker omdat we vaak van tevoren niet weten of een AI-model echt een klinisch voordeel oplevert.
Voor één AI-toepassing, neem bijvoorbeeld AI voor fractuurdetectie, zijn tegenwoordig veel verschillende AI-producten beschikbaar. Die kunnen verschillen in effectiviteit en in hun effect op de workflow. Om ze zowel retrospectief als prospectief te kunnen testen, zochten we een AI-platform dat zulke evaluaties mogelijk maakt, zodat we kunnen bepalen welk product het best past bij onze lokale situatie. Sommige AI-platforms bieden bijvoorbeeld dashboards om AI-resultaten te monitoren, waardoor afdelingen inzicht krijgen in de impact van de AI-implementatie. Een platform zorgt ook voor een uniforme technische integratie van verschillende AI-tools en ondersteunt het opschalen van AI-modellen binnen de afdeling. Een mogelijk bijkomend voordeel is dat aanbieders van AI-platforms vaak contracten hebben met meerdere AI-leveranciers, waardoor de prijs van een product kan dalen door concurrentie op de markt. Een vergelijkbaar effect kan in de toekomst ontstaan als ziekenhuizen binnen één afdeling meerdere platforms naast elkaar draaien, zodat er concurrentie tussen platforms ontstaat. In Noorwegen draaien ze bijvoorbeeld drie platforms tegelijk.
Op dit moment is er geen vergoeding van zorgverzekeraars voor een AI-platform. Ziekenhuizen of maatschappen moeten dus zelf investeren als ze een platform willen aanschaffen. Dat geldt ook voor losse AI-toepassingen: ook daarvoor moet budget worden gereserveerd. In de meeste gevallen begint het aanschafproces met een oriëntatie op verschillende AI-platforms en het opstellen van een business case. Het is belangrijk om een breder team te betrekken bij het opstellen van de eisen, onder andere PACS-beheer en het IT-team. De definitieve besluiten worden hoger in de organisatie genomen: in het afdelingsbestuur, bij de inkoopafdeling en in de raad van bestuur van het ziekenhuis.
We wilden per AI-toepassing verschillende leveranciers kunnen vergelijken, zowel in retrospectieve als in prospectieve validatie. Het platform moest dus vergelijking van modellen binnen onze eigen patiëntenpopulatie mogelijk maken. Daarnaast bieden sommige platforms functionaliteit om AI-resultaten, zoals metingen, direct in het radiologieverslag op te nemen. Dan hoeven radiologen ze niet handmatig te dicteren.
Jazeker. Vanwege de focus op onderzoek is het voor Amsterdam UMC belangrijk om zelfontwikkelde algoritmes via het platform te kunnen implementeren en valideren. Algemene ziekenhuizen kunnen een business case daarentegen vaak sneller rondmaken, omdat ze directer profiteren van huidige AI-modellen die de werkdruk verlagen of de belasting van diensten buiten kantooruren verminderen. Ook verschillen de PACS- en EPD-systemen per ziekenhuis, niet per se tussen academische en algemene ziekenhuizen, maar dat kan wel van invloed zijn op de keuze voor een AI-platform.
Je hebt natuurlijk een juridisch contract nodig. Dat wordt grotendeels buiten het radiologieteam geregeld, maar is cruciaal voor de privacy van patiënten via pseudonimisering en voor de beveiliging van de cloudinfrastructuur. Vaak kun je er ook voor kiezen om de analyses on-premises (lokaal) te draaien, afhankelijk van de lokale rekencapaciteit en de voorkeuren van het ziekenhuis.
Als dat geregeld is, moet de technische integratie volgen, met nieuwe koppelingen met PACS en EPD. Ik heb nog geen volledig overzicht van die complexe IT-integratie, en nauwe samenwerking met de IT-afdeling is essentieel. Het wordt een langdurig proces, en dus des te belangrijker om het meteen goed te doen.
Ik hoop vooral dat we met een platform snel kunnen meebewegen met de nieuwste ontwikkelingen en dat de schaalbaarheid van AI in de radiologie enorm toeneemt.
Ik verwacht grote winst in de kwaliteit van verslaglegging, op het gebied van grammatica, spelling en directe integratie van AI-analyses in het verslag. Misschien zelfs tot volledig geautomatiseerde verslagen die gekoppeld zijn aan AI-resultaten.
Bovendien denk ik dat de huidige generatie AI-tools pas het begin is. Er komt nog zoveel meer, en daar willen we op voorbereid zijn. Voor CT en MRI is het aantal AI-toepassingen nog relatief beperkt, maar dat gaat veranderen. Over vijf jaar zijn de AI-apps van nu doorontwikkeld of vervangen door betere tools. Dan wil je dat je platformintegratie stevig staat, zodat je je niet meer druk hoeft te maken over technische implementatie en je je echt kunt richten op het aantonen van klinisch voordeel en het maken van echte impact met AI.
Een variant van dit artikel, getiteld ‘AI-platform: handig, maar waarop te letten bij de aanschaf?’, is eerder gepubliceerd in Memorad.
Steeds vaker kiezen ziekenhuizen er niet voor om losse AI-oplossingen aan te schaffen en te implementeren, maar om te investeren in een bredere infrastructuur: een AI-platform. AI-platforms beloven de implementatie en integratie van AI eenvoudiger te maken. In plaats van voor elk AI-product een apart inkoopproces en een aparte technische koppeling te doorlopen, biedt een platform één centraal toegangspunt: één contractpartij, één technische integratie, één plek voor monitoring en een marktplaats waaruit ziekenhuizen kunnen kiezen uit meerdere AI-oplossingen. Zo kunnen nieuwe AI-toepassingen sneller worden ingevoerd en zijn beheer, evaluatie en wisselen tussen producten eenvoudiger.
Verschillende bedrijven bieden zulke AI-platforms aan. Denk aan PACS-leveranciers zoals Sectra en Agfa, onafhankelijke platformaanbieders zoals Incepto en deepc, grote AI-leveranciers zoals Aidoc, OEM-bedrijven zoals Siemens en Philips en leveranciers van postprocessing zoals TeraRecon. Er is dus veel keus, maar waar moet je op letten?
Het Spaarne Gasthuis besloot onlangs een AI-platform aan te schaffen, en Amsterdam UMC is van plan dat ook te doen. Kicky van Leeuwen, AI-implementatiespecialist bij Romion Health, sprak met Inez Verpalen, aios radiologie bij beide ziekenhuizen en postdoconderzoeker bij Amsterdam UMC, over de motivatie en het aanschafproces. Door haar sterke interesse in AI en haar onderzoek op dit gebied is zij nauw betrokken bij de selectie van het platform.
We zochten een goede manier om meerdere AI-modellen tegelijk te integreren. We wilden een gestroomlijnde en gestructureerde aanpak die ook toekomstbestendig is. Zonder platform is het integreren van een AI-model een complex proces dat veel tijd kost, zowel bij het besluit welke AI-tool je gebruikt als bij de technische integratie. Dat hele proces is nu erg kostbaar, zeker omdat we vaak van tevoren niet weten of een AI-model echt een klinisch voordeel oplevert.
Voor één AI-toepassing, neem bijvoorbeeld AI voor fractuurdetectie, zijn tegenwoordig veel verschillende AI-producten beschikbaar. Die kunnen verschillen in effectiviteit en in hun effect op de workflow. Om ze zowel retrospectief als prospectief te kunnen testen, zochten we een AI-platform dat zulke evaluaties mogelijk maakt, zodat we kunnen bepalen welk product het best past bij onze lokale situatie. Sommige AI-platforms bieden bijvoorbeeld dashboards om AI-resultaten te monitoren, waardoor afdelingen inzicht krijgen in de impact van de AI-implementatie. Een platform zorgt ook voor een uniforme technische integratie van verschillende AI-tools en ondersteunt het opschalen van AI-modellen binnen de afdeling. Een mogelijk bijkomend voordeel is dat aanbieders van AI-platforms vaak contracten hebben met meerdere AI-leveranciers, waardoor de prijs van een product kan dalen door concurrentie op de markt. Een vergelijkbaar effect kan in de toekomst ontstaan als ziekenhuizen binnen één afdeling meerdere platforms naast elkaar draaien, zodat er concurrentie tussen platforms ontstaat. In Noorwegen draaien ze bijvoorbeeld drie platforms tegelijk.
Op dit moment is er geen vergoeding van zorgverzekeraars voor een AI-platform. Ziekenhuizen of maatschappen moeten dus zelf investeren als ze een platform willen aanschaffen. Dat geldt ook voor losse AI-toepassingen: ook daarvoor moet budget worden gereserveerd. In de meeste gevallen begint het aanschafproces met een oriëntatie op verschillende AI-platforms en het opstellen van een business case. Het is belangrijk om een breder team te betrekken bij het opstellen van de eisen, onder andere PACS-beheer en het IT-team. De definitieve besluiten worden hoger in de organisatie genomen: in het afdelingsbestuur, bij de inkoopafdeling en in de raad van bestuur van het ziekenhuis.
We wilden per AI-toepassing verschillende leveranciers kunnen vergelijken, zowel in retrospectieve als in prospectieve validatie. Het platform moest dus vergelijking van modellen binnen onze eigen patiëntenpopulatie mogelijk maken. Daarnaast bieden sommige platforms functionaliteit om AI-resultaten, zoals metingen, direct in het radiologieverslag op te nemen. Dan hoeven radiologen ze niet handmatig te dicteren.
Jazeker. Vanwege de focus op onderzoek is het voor Amsterdam UMC belangrijk om zelfontwikkelde algoritmes via het platform te kunnen implementeren en valideren. Algemene ziekenhuizen kunnen een business case daarentegen vaak sneller rondmaken, omdat ze directer profiteren van huidige AI-modellen die de werkdruk verlagen of de belasting van diensten buiten kantooruren verminderen. Ook verschillen de PACS- en EPD-systemen per ziekenhuis, niet per se tussen academische en algemene ziekenhuizen, maar dat kan wel van invloed zijn op de keuze voor een AI-platform.
Je hebt natuurlijk een juridisch contract nodig. Dat wordt grotendeels buiten het radiologieteam geregeld, maar is cruciaal voor de privacy van patiënten via pseudonimisering en voor de beveiliging van de cloudinfrastructuur. Vaak kun je er ook voor kiezen om de analyses on-premises (lokaal) te draaien, afhankelijk van de lokale rekencapaciteit en de voorkeuren van het ziekenhuis.
Als dat geregeld is, moet de technische integratie volgen, met nieuwe koppelingen met PACS en EPD. Ik heb nog geen volledig overzicht van die complexe IT-integratie, en nauwe samenwerking met de IT-afdeling is essentieel. Het wordt een langdurig proces, en dus des te belangrijker om het meteen goed te doen.
Ik hoop vooral dat we met een platform snel kunnen meebewegen met de nieuwste ontwikkelingen en dat de schaalbaarheid van AI in de radiologie enorm toeneemt.
Ik verwacht grote winst in de kwaliteit van verslaglegging, op het gebied van grammatica, spelling en directe integratie van AI-analyses in het verslag. Misschien zelfs tot volledig geautomatiseerde verslagen die gekoppeld zijn aan AI-resultaten.
Bovendien denk ik dat de huidige generatie AI-tools pas het begin is. Er komt nog zoveel meer, en daar willen we op voorbereid zijn. Voor CT en MRI is het aantal AI-toepassingen nog relatief beperkt, maar dat gaat veranderen. Over vijf jaar zijn de AI-apps van nu doorontwikkeld of vervangen door betere tools. Dan wil je dat je platformintegratie stevig staat, zodat je je niet meer druk hoeft te maken over technische implementatie en je je echt kunt richten op het aantonen van klinisch voordeel en het maken van echte impact met AI.
Een variant van dit artikel, getiteld ‘AI-platform: handig, maar waarop te letten bij de aanschaf?’, is eerder gepubliceerd in Memorad.