Bridging the Gap between Expert Vision and Hospital Practice: A Risk-governed Framework for AI Adoption in Medical Quality Assessment and Hospital Accreditation

Ziekenhuizen zijn complexe plekken waar de kwaliteit van zorg voortdurend wordt gemeten om te garanderen dat patiënten veilig zijn en goed behandeld worden. Om hoge standaarden te handhaven, gebruiken veel landen een systeem genaamd ziekenhuisaccreditatie. Beschouw dit als een grondige externe inspectie waarbij teams van experts ziekenhuizen bezoeken om te controleren of ze zich aan strikte regels houden, van de manier waarop ze patiëntendossiers beheren tot hoe ze infecties voorkomen. Voor deze inspecties is het essentieel dat de achterliggende gegevens accuraat en begrijpelijk zijn om eerlijkheid en consistentie te waarborgen. Vandaag de dag komt er een nieuw instrument in dit veld: kunstmatige intelligentie. Deze technologie kan enorme hoeveelheden informatie snel verwerken, patronen ontdekken die mensen over het hoofd zien en helpen bij het automatiseren van tijdrovende taken, zoals het controleren van documenten. De hoop is dat deze hulpmiddelen ziekenhuisinspecties sneller, objectiever en minder foutgevoelig kunnen maken. Echter, alleen omdat er een krachtig hulpmiddel bestaat, betekent dit niet dat het klaar is voor algemeen gebruik. Er gaapt vaak een grote kloof tussen wat experts zich voorstellen als mogelijk en wat ziekenhuizen daadwerkelijk kunnen uitvoeren in hun dagelijkse werkzaamheden.

Een recente studie werd uitgevoerd om precies te meten hoe groot deze kloof is en om een veilige manier te vinden om deze te overbruggen. De onderzoekers, die samenwerkten met experts op het gebied van ziekenhuisbeheer en accreditatie, wilden het verband begrijpen tussen de technologische visie op de toekomst en de huidige realiteit op de werkvloer. Ze voerden twee afzonderlijke enquêtes uit om een compleet beeld te krijgen. Eerst vroegen ze aan een groep van zevenentwintig senior experts, waaronder ervaren inspecteurs en beleidsonderzoekers, wat zij vonden dat kunstmatige intelligentie in de nabije toekomst in staat zou moeten zijn om te doen. Daarna ondervroegen ze vijfen vijftig ziekenhuizen in China om te zien wat deze instellingen op dit moment daadwerkelijk gebruiken. Het doel was niet alleen om de verschillen op te sommen, maar ook om de specifieke barrières te identificeren die vooruitgang in de weg staan en om een praktisch plan op te stellen voor de toekomst, zonder schade aan te richten.

De resultaten toonden een opvallende kloof tussen wat men zich voorstelt en wat er in de praktijk gebeurt. De experts waren enthousiast over geavanceerde mogelijkheden. Zij gaven de mogelijkheid van kunstmatige intelligentie om complexe accreditatieregels te interpreteren en certificeringsdocumenten automatisch te beoordelen als zeer belangrijk en gaven deze taken de hoogste prioriteit. Zij zagen een toekomst waarin de technologie als een slimme assistent zou kunnen fungeren, die direct de nuances van medische standaarden begrijpt. Wanneer de onderzoekers echter keken naar wat de ziekenhuizen daadwerkelijk deden, was het beeld veel eenvoudiger. De meeste ziekenhuizen gebruikten kunstmatige intelligentie alleen voor basiszaken, zoals het monitoren van eenvoudige kwaliteitscijfers of het versturen van waarschuwingen wanneer een risico wordt gedetecteerd. De geavanceerde functies die de experts wensten, werden bijna nooit gebruikt; minder dan zeven procent van de ziekenhuizen had ze al toegepast. De ziekenhuizen faalden niet door een gebrek aan ambitie, maar omdat ze vastzaten bij de startlijn.

De studie identificeerde de specifieke redenen waarom deze kloof bestaat. De grootste hindernis was niet een gebrek aan verlangen, maar een gebrek aan verbinding tussen verschillende computersystemen. Ziekenhuizen rapporteerden dat hun gegevens gefragmenteerd waren, wat betekent dat informatie gevangen zat in afzonderlijke silo's die niet met elkaar konden communiceren. Zonder een verenigde manier voor deze systemen om informatie te delen, konden de geavanceerde tools van kunstmatige intelligentie niet functioneren. Technische complexiteit was een andere belangrijke barrière, waarbij veel ziekenhuizen de systemen te moeilijk vonden om te beheren. Bovendien was er een gedeelde bezorgdheid over vertrouwen. Zowel de experts als de ziekenhuisbestuurders maakten zich zorgen over dezelfde zaken: de veiligheid van patiëntgegevens, de mogelijkheid dat de algoritmen van de computer bevooroordeeld of onrechtvaardig zouden zijn, en de verwarring over wie verantwoordelijk zou zijn als de machine een fout maakt. Dit waren geen kleine zorgen; het waren fundamentele kwesties die aangepakt moesten worden voordat deze nieuwe technologie vertrouwd kon worden.

Ondanks de kloof in huiddig gebruik, vonden de experts en de ziekenhuisbestuurders gemeenschappelijke grond over de manier waarop men vooruit moet gaan. Ze waren het erover eens dat de weg naar succes traag, voorzichtig en gereguleerd moet zijn door strikte regels. De onderzoekers stelden een stapsgewijs kader voor dat begint bij de fundering voordat het huis wordt gebouwd. De eerste stap is het repareren van de datalaag door standaardmethoden te creëren waarmee verschillende computersystemen informatie kunnen delen. Zodra de gegevens soepel stromen, is de volgende stap ervoor te zorgen dat de technologie zelf transparant en veilig is, zodat mensen kunnen begrijpen hoe het werkt en erop kunnen vertrouwen dat het veilig is. Pas nadat deze fundamenten solide zijn, zouden ziekenhuizen specifieke toepassingen in gecontroleerde omgevingen moeten testen. Ten slotte kan de technologie worden geïntegreerd in het accreditatieproces zelf, maar niet als vervanging voor menselijke experts. In plaats daarvan suggereert het model een "co-piloot"-aanpak, waarbij de kunstmatige intelligentie de eerste screening en voorbereiding doet, en een menselijke expert het uiteindelijke oordeel velt.

Deze aanpak benadrukt dat de oplossing niet alleen gaat over het kopen van nieuwe software, maar over het veranderen van de manier waarop organisaties werken. De studie suggereert dat het proberen over te springen naar geavanceerde kunstmatige intelligentie zonder de onderliggende data- en governanceproblemen op te lossen, waarschijnlijk tot falen zal leiden. Door een gestructureerd pad te volgen dat prioriteit geeft aan datastandaarden, algoritmische transparantie en ethische veiligheid, kunnen ziekenhuizen deze tools geleidelijk adopteren. De onderzoekers concludeerden dat dit door risico's beheerde kader een realistisch stappenplan biedt. Het stelt het gezondheidszorgsysteem in staat om de kracht van kunstmatige intelligentie te benutten om kwaliteitsbeoordelingen efficiënter en objectiever te maken, terwijl de patiëntveiligheid en menselijk toezicht centraal blijven staan. De visie van een volledig geautomatiseerde toekomst is nog ver weg, maar deze studie biedt een duidelijke, praktische gids voor het zetten van de eerste veilige stappen daarheen.