When OpenClaw Meets Hospital: Toward an Agentic Operating System for Dynamic Clinical Workflows

Dit paper stelt een architectuur voor voor een 'agentic besturingssysteem' dat OpenClaw uitbreidt met beveiligde uitvoeringsomgevingen, documentgerichte interactie en indexgebaseerd geheugen om veilige en transparante autonome agenten voor klinische workflows mogelijk te maken.

De kern

Stel je voor dat een ziekenhuis een enorme, drukke bibliotheek is. In deze bibliotheek werken duizenden boeken (de medische dossiers) en zijn er veel verschillende mensen: artsen, verpleegkundigen, patiënten en administrateurs.

Tot nu toe werken deze mensen met statische, vooraf ingestelde regels. Het is alsof ze alleen maar boeken mogen lezen die op een specifieke manier zijn ingedeeld. Als een patiënt een vraag stelt die niet in het standaardboekje staat, of als een arts een probleem ziet dat nooit eerder is voorgekomen, stopt het systeem. Het kan niet improviseren.

Deze paper introduceert een nieuw idee: een "Agentisch Besturingssysteem voor Ziekenhuizen". Laten we dit uitleggen met een paar simpele analogieën.

1. Het Probleem: De "Losse" Robot

Stel je voor dat je een superintelligente robot (een AI) in het ziekenhuis zet. Deze robot kan alles begrijpen en praten. Maar als je deze robot de sleutel geeft voor alles in het ziekenhuis, is dat gevaarlijk.

• Hij zou per ongeluk de verkeerde medicijnkast kunnen openen.
• Hij zou per ongeluk een patiëntendossier kunnen wissen.
• Hij zou kunnen proberen verbinding te maken met het internet om iets te downloaden, wat een veiligheidsrisico is.

Huidige AI-systemen zijn als die robot: ze hebben te veel macht en te weinig controle. Ze werken goed in een sandbox (een afgesloten speeltuin), maar niet in een echt ziekenhuis waar veiligheid alles is.

2. De Oplossing: De "Strikte Werkplek"

De auteurs van dit paper zeggen: "Laten we de robot niet veranderen, maar laten we zijn werkomgeving veranderen."

Ze bouwen een soort digitaal ziekenhuis met drie belangrijke regels, gebaseerd op hoe computers al decennia veilig werken:

• De "Gevangenis" (Beperkte Macht): Elke AI-agent (een digitale assistent voor een arts of patiënt) zit in zijn eigen kleine, afgesloten kamer. Hij mag alleen doen wat hij mag doen. Hij kan niet zomaar ergens anders in het gebouw rondlopen. Hij heeft geen sleutel tot de hele bibliotheek, alleen tot de boeken die bij zijn taak horen.
• De "Postbode" (Documenten als Communicatie): In plaats dat de AI's met elkaar praten via chatberichten (wat onveilig en onoverzichtelijk is), communiceren ze alleen door briefjes in een postbus te gooien.
  • De patiënt-AI schrijft een briefje: "Mijn bloeddruk is hoog." en legt dit in de postbus van de arts.
  • De arts-AI leest het briefje, schrijft een antwoord: "Kom morgen langs" en legt dat in de postbus van de patiënt.
  • Ze praten nooit direct met elkaar. Ze kijken alleen naar de postbus. Dit maakt alles traceerbaar: je kunt precies zien wie wat wanneer heeft geschreven.

3. Het Geheugen: De "Kaart van de Bibliotheek"

Een groot probleem met AI is het onthouden van de lange geschiedenis van een patiënt. Huidige systemen proberen alles in een grote, rommelige hoop te gooien (zoals een zoekmachine die alles doorzoekt). Dat werkt niet goed als je de geschiedenis van een patiënt over 10 jaar moet begrijpen.

Deze nieuwe systeem gebruikt een georganiseerd archiefsysteem:

• Stel je voor dat elk dossier een boom is met takken.
• Aan het begin van elke tak hangt een label (een "manifest"). Op dat label staat in gewone taal: "Hier vind je de medicijngeschiedenis van 2020-2023" of "Hier staan de labresultaten".
• De AI hoeft niet alles te lezen. Hij kijkt eerst naar de labels. Als hij zoekt naar medicijnen, loopt hij alleen naar de tak met het medicijn-label. Hij negeert de rest.
• Dit is als een mens die door een archief loopt: eerst de grote kasten bekijken, dan de lade, en pas dan het papier. Geen ingewikkelde wiskunde nodig, gewoon logisch nadenken.

4. De Kracht: "Op Maat Maken"

In normale ziekenhuissoftware moet je een nieuwe taak vaak programmeren voordat hij werkt. Als een arts een unieke combinatie van ziektes heeft, werkt het systeem niet.

Met dit nieuwe systeem heeft de AI een koffer vol gereedschappen (vaardigheden).

• De arts vraagt: "Kun je kijken of deze nieuwe medicijninteractie gevaarlijk is met zijn oude nierproblemen?"
• De AI pakt zelf het gereedschap "medicijnen checken", het gereedschap "niergeschiedenis lezen" en het gereedschap "risico berekenen".
• Hij combineert deze gereedschappen op dat moment om het antwoord te vinden. Hij hoeft niet vooraf geprogrammeerd te zijn voor deze specifieke situatie. Hij is flexibel.

Samenvatting in één zin

Dit paper stelt voor om AI in ziekenhuizen niet te zien als een vrije, intelligente robot die alles mag doen, maar als een strikt gecontroleerde werknemer die in een veilige kamer werkt, alleen communiceert via officiële briefjes, slim door archieven bladert en zelf nieuwe oplossingen kan bedenken met zijn gereedschapskist.

Het doel is niet om de AI slimmer te maken, maar om het systeem waar hij in werkt zo veilig en logisch te maken dat fouten structureel onmogelijk worden.

Technische samenvatting

Probleemstelling

De implementatie van autonome Large Language Model (LLM) agents in ziekenhuisomgevingen stuit op fundamentele obstakels die niet opgelost kunnen worden door alleen de modelcapaciteiten te verbeteren. De huidige staat van de techniek kent vier kritieke tekortkomingen:

1. Veiligheid en Toezicht: Bestaande agent-frameworks vereisen vaak brede besturingssysteemrechten (zoals toegang tot het bestandssysteem, netwerkaanroepen en willekeurige code-uitvoering). Dit is onverenigbaar met strikte gezondheidszorgregels (zoals privacy en auditvereisten) en introduceert onacceptabele risico's.
2. Onvoldoende Geheugenarchitectuur: Huidige Retrieval-Augmented Generation (RAG) systemen gebruiken vlakke vectorretrieval. Dit fragmenteert patiëntengeschiedenissen in geïsoleerde embeddings, waardoor de longitudinale structuur (de tijdsorde en causale relaties tussen medische gebeurtenissen) verloren gaat. Dit leidt tot onbetrouwbare recall over lange zorgtrajecten.
3. Gebrek aan Multi-Participatie Modellen: Ziekenhuiswerkstromen zijn inherent multi-participant (artsen, verpleegkundigen, patiënten) en communiceren primair via gestructureerde documenten, niet via continue dialoog. Bestaande architecturen zijn vaak ontworpen voor één gebruiker-één model-interactie.
4. Statische Werkstromen: Bestaande ziekenhuisinformatiesystemen (HIS, EHR) zijn gebaseerd op vaste, vooraf geprogrammeerde workflows. Ze kunnen niet omgaan met de "lange staart" van klinische variabiliteit (bijv. zeldzame comorbiditeiten of ongebruikelijke medicijninteracties) die niet in de vooraf gedefinieerde protocollen staan.

Methodologie: Het Agentic Operating System voor Ziekenhuizen

De auteurs stellen een nieuwe architectuur voor, het Agentic Operating System for Hospital (AOS-H), die LLM-agents in een gecontroleerde, veilige infrastructuur plaatst. De kern van de oplossing is het verschuiven van vertrouwen van het modelgedrag naar de uitvoeringsomgeving.

De architectuur bestaat uit vier hoofdblokken:

1. Beperkte Uitvoeringsomgeving (Restricted Execution Environment):

   • Inspiratie: Linux multi-user systemen.
   • Elke agent (voor patiënt, arts, triage) draait in een geïsoleerde namespace met een strikt gedefinieerde "least-privilege" toegang.
   • Agents hebben geen directe toegang tot het bestandssysteem, het netwerk of dynamische code. Ze kunnen alleen vooraf goedgekeurde "medische vaardigheden" (skills) aanroepen en lezen/schrijven naar gedeelde klinische documenten.
   • Veiligheid wordt afgedwongen door de kernel (via SELinux/AppArmor, seccomp filters), niet door instructies aan het model.

2. Document-gemedieerde Coördinatie:

   • Agents communiceren niet via directe berichten, maar uitsluitend via gestructureerde schrijfbewerkingen naar gedeelde documenten (bijv. patiëntendossiers, zorgplannen).
   • Een "Event Broker" notifyt agents over wijzigingen (mutation events). Dit zorgt voor causale volgorde en een volledig auditbaar spoor van elke interactie.

3. Pagina-geïndexeerd Geheugen (Page-Indexed Memory):

   • In plaats van vector-embeddings, wordt het geheugen georganiseerd als een boomstructuur van documenten met manifest-bestanden op elk intern knooppunt.
   • Progressive Disclosure Retrieval: De agent navigeert door de boom door manifesten (samenvattingen in menselijke taal) te lezen en te beslissen welke takken relevant zijn voor de query. Dit elimineert de noodzaak voor dure vectorberekeningen en behoudt de longitudinale context.
   • Het systeem is dynamisch: bij nieuwe documentmutaties worden alleen de relevante manifest-regels bijgewerkt via een LLM-call, zonder volledige herindexering.

4. Medische Vaardigheidsbibliotheek en Ad-hoc Samenstelling:

   • Agents hebben toegang tot een bibliotheek van vooraf geauditeerde, statisch getypeerde "skills" (bijv. vitale tekens verzamelen, medicatie-tracker).
   • In tegenstelling tot statische workflows kan de agent dynamisch een reeks skills samenstellen om een specifieke, ongebruikelijke klinische vraag te beantwoorden (ad-hoc task composition).

Belangrijkste Bijdragen

1. Infrastructuur als Veiligheidsmechanisme: De paper reframed het probleem van AI in de zorg van een "model-intelligentie" probleem naar een "infrastructuur" probleem. Veiligheid wordt gegarandeerd door OS-niveau isolatie in plaats van prompt-engineering.
2. Document-Mutatie Coördinatiemodel: Een nieuw communicatieprotocol waarbij alle agent-interacties via bestandschrijvingen verlopen, wat verifieerbaarheid en auditbaarheid inherent maakt.
3. Manifest-Gedreven Navigatie: Een alternatief voor vector-RAG dat de hiërarchische en tijdsgebonden structuur van medische dossiers behoudt en volledig interpreteerbare zoekpaden biedt.
4. Dynamische Taak Samenstelling: Het vermogen om nieuwe, niet-vooraf gedefinieerde klinische workflows te creëren door bestaande vaardigheden te combineren, waardoor de "lange staart" van klinische variabiliteit wordt aangepakt.

Resultaten en Toepassingsvoorbeelden

Hoewel het paper voornamelijk een architecturaal voorstel is, worden diverse klinische scenario's geïllustreerd die bewijzen dat het systeem zowel routine- als noodsituaties aankan:

• Continue Monitoring: Een patiënt-agent verzamelt data en schrijft dit; een arts-agent analyseert trends en schakelt automatisch een afspraken-agent in bij verslechtering.
• Triage en Noodescalatie: Bij kritieke waarden (bijv. hartstilstand) wordt direct een prioriteitssignaal gestuurd via een mutation event, waardoor artsen hun huidige cyclus kunnen onderbreken.
• Medicatiebeheer: Een gesloten lus waarbij agents medicatie-inname controleren, afwijkingen melden en zorgplannen aanpassen zonder directe communicatie.
• Cross-Specialiteit Coördinatie: Verschillende specialisten (bijv. cardioloog en nefroloog) werken aan een gedeeld zorgplan. Conflicten (bijv. interacties tussen medicijnen) worden automatisch gedetecteerd en gemeld via het document-systeem.

Betekenis en Conclusie

De paper concludeert dat het succesvol inzetten van LLM-agents in ziekenhuizen niet afhankelijk is van het maken van "slimmere" modellen, maar van het bouwen van de juiste infrastructuur. Het voorgestelde Agentic Operating System biedt een fundamentele verschuiving:

• Het maakt onveilig gedrag structureel onmogelijk door de interface van de agent te beperken tot bestandslezen en -schrijven.
• Het lost het probleem van "contextverlies" op door een menselijk leesbare, hiërarchische geheugenstructuur te gebruiken.
• Het overbrugt de kloof tussen starre ziekenhuissoftware en de dynamische realiteit van de kliniek.

De auteurs benadrukken dat dit ontwerp vertrouwen verdient, niet door te beloven dat het model zich altijd correct gedraagt, maar door de architectuur zo te bouwen dat onveilig gedrag fysiek en logisch onmogelijk is. Dit vormt een basis voor een nieuwe generatie klinische AI-systemen die veilig, transparant en auditabel zijn.