Artificial Intelligence in Healthcare: 2025 Year in Review

Dit artikel bespreekt de significante groei en volwassenheid van AI-onderzoek in de gezondheidszorg in 2025, waarbij publicaties bijna verdubbelden en de focus verschuift van klassieke machine learning en tekstmodellen naar geavanceerde multimodale foundation modellen die beter aansluiten bij de complexiteit van de klinische praktijk.

De kern

De Medische AI-Revolutie van 2025: Een Verhaal in Gewone Taal

Stel je voor dat de wereld van medische kunstmatige intelligentie (AI) een enorme bibliotheek is. In 2025 is deze bibliotheek niet alleen gegroeid, maar is ze ook volledig veranderd. Dit wetenschappelijke artikel, geschreven door een groot team van artsen en onderzoekers, kijkt terug op dat jaar en vertelt ons hoe de "boeken" (de onderzoeken) eruitzagen.

Hier is wat er gebeurde, verteld als een verhaal:

1. Het aantal boeken verdubbelde (De Explosie)

Vorig jaar (2024) hadden we ongeveer 28.000 nieuwe boeken over AI in de zorg. In 2025 waren dat er bijna 50.000! Het is alsof de bibliotheek in één jaar tijd twee keer zo groot werd. Mensen zijn niet meer alleen maar aan het "dromen" over wat AI kan; ze bouwen het nu echt en testen het in de echte wereld.

2. Van simpele gereedschappen naar slimme robots (De Evolutie)

Vroeger gebruikten onderzoekers simpele rekenmachines (we noemen die "klassieke machine learning"). Die konden goed tellen, maar niet echt begrijpen.

• 2024: Het jaar van de tekst-robots. Stel je voor dat je een super-slimme chatbot hebt die alleen maar tekst leest en schrijft. Dat was toen de trend.
• 2025: Het jaar van de alles-kunnen-robots. De onderzoekers ontdekten dat ziekenhuizen niet alleen tekst hebben, maar ook foto's (röntgenfoto's), geluiden (hartgeluiden) en video's.
  • De oude tekst-robots zijn nog steeds populair, maar er komt een nieuwe ster op: de Multimodale Basismodellen.
  • De analogie: Als de tekst-robot een vertaler is die alleen boeken leest, dan is de nieuwe multimodale robot een dokter die tegelijkertijd naar de patiënt kijkt, naar zijn stem luistert én zijn medische dossier leest. Dit type onderzoek sprong van 25 in 2024 naar 144 in 2025.

3. Wie doet er het meeste mee? (De Kampioenen)

Sommige medische vakgebieden zijn sneller dan anderen:

• De Stralingsartsen (Imaging/Radiologie): Zij zijn veruit de grootste groep. Ze gebruiken AI om röntgenfoto's en MRI-scan te analyseren. Het is alsof ze een superkrachtige bril hebben gekregen die elk klein detail ziet dat het menselijk oog mist.
• Administratie en Onderwijs: Ook hier is AI enorm populair. Het helpt artsen om verslagen te schrijven, lessen te maken voor studenten en administratieve rompslomp op te ruimen.
• Chirurgie, Kanker en Oogheelkunde: Deze vakgebieden lopen ook voorop, vooral omdat ze steeds meer gebruikmaken van die nieuwe "alles-kunnen-robots" om operaties te plannen of ziektes te diagnosticeren.

4. Wat voor "grondstoffen" gebruiken ze?

Om deze slimme robots te trainen, hebben ze data nodig.

• Foto's (Beelden): Dit is nog steeds de belangrijkste grondstof (ruim de helft van alle onderzoeken).
• Tekst: De tweede grootste groep.
• Geluid: Dit is een nieuwe, kleine maar groeiende groep. Omdat de nieuwe robots ook geluid kunnen horen, zien we meer onderzoeken naar stemmen en hartgeluiden.

5. Wat betekent dit voor de toekomst?

De auteurs concluderen dat we op een kantelpunt staan.

• Vroeger was AI vooral een experimentele toy.
• Nu wordt het een essentieel gereedschap dat complexer wordt.
• De robots worden niet alleen slimmer, maar ze kijken ook breder. Ze kunnen niet meer alleen tekst lezen, maar begrijpen de hele situatie van een patiënt (foto + tekst + geluid).

Kortom:
In 2025 is de medische AI-groei niet alleen kwantitatief (meer onderzoeken), maar vooral kwalitatief. We zijn overgestapt van simpele rekenhulpen naar slimme systemen die de complexe, veelzijdige realiteit van een ziekenhuis beter nabootsen. Het is alsof we van een fiets zijn gestapt en nu op een elektrische scooter zitten die ook nog kan zwemmen en vliegen. De weg naar de echte klinische toepassing is nu echt begonnen.

Technische samenvatting

Titel: Kunstmatige Intelligentie in de Gezondheidszorg: Jaaroverzicht 2025

Auteurs: Ruthvik Edara e.a. (BrainXAI ReSearch, BrainX LLC)
Correspondentie: Piyush Mathur

---

1. Probleemstelling en Context

Het onderzoeksveld van Kunstmatige Intelligentie (KI) in de gezondheidszorg evolueert exponentieel, gedreven door doorbraken in modelarchitectuur en de beschikbaarheid van data. Hoewel de vroege fase van KI-gedreven onderzoek voornamelijk exploratief was en zich richtte op tekstuele Large Language Models (LLM's), is er een verschuiving gaande. De uitdaging ligt in het overgaan van experimentele ontwikkeling naar robuuste evaluatie en implementatie in de echte wereld.

Een specifiek probleem is de noodzaak om de inherent multimodale aard van klinische data (beelden, tekst, audio, tabellen) beter te integreren. Traditionele modellen voldoen hier niet altijd aan. Dit artikel analyseert de staat van de kunst in 2025 om te bepalen of het veld de overgang maakt naar meer geavanceerde, multimodale "Foundation Models" en hoe dit de klinische praktijk beïnvloedt.

2. Methodologie

De auteurs hebben een systematische review uitgevoerd met een consistente methodologie die sinds 2019 wordt gehandhaafd, wat jaar-op-jaar vergelijking mogelijk maakt.

• Dataverzameling:
  • Database: PubMed.
  • Zoektermen: "machine learning" OF "artificial intelligence" AND "2025".
  • Inclusiecriteria: Engelstalig, menselijke proefpersonen, gepubliceerd vóór 31 december 2025.
  • Exclusiecriteria: Pre-prints, dierstudies, robotica zonder KI, studies zonder abstract, en niet-Engelse publicaties.
• Maturiteitsclassificatie (Kerninnovatie):
  • Een BERT-gebaseerd deep learning-model (vooraf getraind en gevalideerd op handmatig gelabelde data) werd gebruikt om publicaties te classificeren als "Mature" (rijp) of "Not Mature".
  • Definitie van "Mature": Een publicatie wordt als rijp beschouwd als de output van het model een direct, actiegericht effect heeft op patiëntenzorg (bijv. informatie voor zorgverleners of geautomatiseerde systemen). Systematische reviews werden uitgesloten van de "rijpe" telling omdat ze geen eigen modeloutput genereren.
• Manuele Analyse:
  • Van de 3.366 als "rijp" geclassificeerde publicaties werden er 2.966 na verdere filtering (verwijdering van robotchirurgie, niet-menselijke studies, etc.) geselecteerd voor de uiteindelijke analyse.
  • Vijf reviewers hebben deze publicaties handmatig geannoteerd op:
    • Zorgspecialisatie: 25 categorieën (bijv. Radiologie, Oncologie) plus Administratie en Onderwijs.
    • Datatype: Afbeelding, Tekst, Tabel, Stem/Audio.
    • Modeltype: Traditioneel Deep Learning (DL), Klassiek Machine Learning (ML), AI General, Statistisch, NLP, LLM, Large Vision Model (FM-LVM), Multimodaal Model (FM-MM).

3. Belangrijkste Resultaten

• Publicatievolume:
  • Het totale aantal gevonden publicaties steeg van 28.180 (2024) naar 49.394 (2025) (bijna verdubbeling).
  • Het aantal "rijpe" publicaties steeg van 1.946 (2024) naar 2.966 (2025).
• Specialisaties:
  • Afbeelding/Radiologie blijft de dominante specialisatie (976 publicaties), gevolgd door Administratie (277) en Algemeen (251).
  • Andere sterke specialisaties: Hoofd en Nek (185), Onderwijs (181), Oogheelkunde (141), Pathologie (137), Chirurgie (118) en Oncologie (116).
• Modeltrends:
  • Daling Klassiek ML: Voor het eerst daalde het aantal publicaties met klassieke Machine Learning-modellen (173).
  • Stijging Geavanceerde Modellen:
    • LLM's blijven leidend (1.019 publicaties).
    • Deep Learning (DL) nam toe (910).
    • Multimodale Foundation Models (FM-MM) explodeerden van 25 (2024) naar 144 (2025).
    • Large Vision Models (FM-LVM): 14 publicaties.
• Datatrends:
  • Afbeeldingen blijven de dominante data (53,9%), gevolgd door Tekst (38,2%).
  • Er is een merkbare toename van Audio-data (1,2%), gekoppeld aan de adoptie van multimodale modellen.
  • 94 publicaties (3,1%) combineerden datatypen (voornamelijk afbeelding + tekst).
• Toepassingsgebieden Foundation Models:
  • Administratieve taken, Onderwijs en Algemene toepassingen domineren (voornamelijk LLM-gedreven).
  • Klinische specialisaties met de meeste FM-publicaties: Radiologie (110), Hoofd en Nek (92), Chirurgie (64), Oncologie (55) en Oogheelkunde (49).

4. Kernbijdragen

1. Quantitatieve Validatie van de Overgang: Het artikel biedt hard bewijs voor de verschuiving van tekst-gebaseerde LLM's naar multimodale foundation models in de gezondheidszorg.
2. Maturiteitsfilter: Het gebruik van een BERT-classificator om "rijpe" publicaties te filteren biedt een kwalitatief inzicht dat verder gaat dan puur volume; het toont aan dat onderzoek zich verplaatst van theorie naar klinisch toepasbare output.
3. Identificatie van het Inflectiepunt: De studie signaleert dat het veld een inflectiepunt bereikt waar KI-systemen de complexiteit van de klinische praktijk (door combinatie van beeld, tekst en audio) beter kunnen nabootsen dan ooit tevoren.
4. Daling van Klassieke Methoden: Het documenteren van de daling van klassiek ML ten gunste van hogere capaciteit modellen (DL en Foundation Models) markeert een fundamentele verandering in de technische aanpak van gezondheidszorgonderzoek.

5. Betekenis en Conclusie

Het jaar 2025 markeert een betekenisvolle volwassenheid in het KI-onderzoek voor de gezondheidszorg. De bijna verdubbeling van publicaties, gecombineerd met de snelle adoptie van multimodale foundation models, suggereert dat de technologie klaar is voor een bredere implementatie in de klinische praktijk.

• Klinische Impact: De verschuiving naar multimodale modellen betekent dat AI-systemen in staat zijn om diagnostische beelden te interpreteren in combinatie met patiëntengeschiedenis (tekst) en mogelijk stemdata, wat dichter bij de realiteit van de arts-patiënt interactie ligt.
• Toekomstperspectief: Hoewel Radiologie nog steeds leidt, breiden andere specialisaties (zoals Oncologie en Chirurgie) hun gebruik van foundation models uit. De auteurs voorspellen dat de beschikbaarheid van data, nieuwe implementatiekaders (zoals "Agentic AI") en de evaluatie van commerciële AI-systemen de groei in de komende jaren zullen blijven stimuleren.
• Beperkingen: De studie is beperkt tot PubMed en Engels, wat mogelijk enkele publicaties uitsluit. Daarnaast blijft subjectiviteit bij handmatige annotatie een factor, hoewel dit als nauwkeuriger wordt beschouwd dan geautomatiseerde LLM-annotatie voor deze specifieke taak.

Samenvattend: De gezondheidszorg-KI beweegt weg van experimentele tekstmodellen naar robuuste, multimodale systemen die direct toepasbaar zijn in complexe klinische workflows.