A Scoping Review of Vibe Coding in Healthcare Across Clinical, Administrative, and Research Domains

Decennialang waren de mensen die het meeste weten over hoe ziekenhuizen en klinieken werkelijk functioneren—de artsen, verpleegkundigen en bestuurders—niet in staat om de softwaretools te bouwen die zij nodig hebben. Ze kunnen een gebrekkig proces of een ontbrekende functie in een behandelplan van een patiënt signaleren, maar ze missen de technische vaardigheden om de code te schrijven die dit zou kunnen oplossen. Ondertussen begrijpen de software engineers die wel die code kunnen schrijven, vaak de dagelijkse realiteit van een ziekenhuisafdeling niet. Deze kloof heeft ervoor gezorgd dat gezondheidszorgsystemen afhankelijk zijn van externe leveranciers en trage, dure ontwikkelcycli. Onlangs is er een nieuw type kunstmatige intelligentie opgekomen dat belooft deze kloof te overbruggen. Deze systemen, bekend als large language models, kunnen instructies in gewone Engelse taal begrijpen en deze omzetten in werkende computercode. Een nieuwe term, "vibe coding", is bedacht om een workflow te beschrijven waarbij een gebruiker minder als een traditionele programmeur fungeert en meer als een regisseur, die de kunstmatige intelligentie met natuurlijke taalprompts aanstuurt om software te bouwen, terwijl de machine de technische schrijftaken afhandelt.

Een team van onderzoekers van de Oregon Health & Science University en het Kaiser Permanente Oakland Medical Center zette zich schare om het vroege landschap van deze technologie binnen de gezondheidszorg in kaart te brengen. Zij voerden een brede review uit van de wetenschappelijke literatuur gepubliceerd tussen januari 2023 en december 2025, waarbij gezocht werd naar elk geval waarin deze AI-tools werden gebruikt voor het bouwen van software voor medische educatie, onderzoek of ziekenhuisadministratie. Hun doel was niet om de software zelf te testen, maar om te begrijpen waar deze wordt gebruikt, wat voor soort tools er worden gebouwd en welke risico's verborgen kunnen liggen in deze snelle verschuiving. Zij stelden vast dat het vakgebied zich nog in de prilste dagen bevindt, aangezien de eerste wetenschappelijk beoordeelde artikelen pas halverwege 2025 verschenen. Het bewijs dat zij verzamelden suggereert dat hoewel clinici nu functionele software kunnen bouwen zonder formele training, de veiligheids- en regelgevende kaders om deze tools te beheren nog niet klaar zijn.

De onderzoekers identificeerden vier hoofdområden waar deze nieuwe aanpak wortel schiet. Het eerste en meest actieve gebied is de medische educatie. In dit domein gebruiken artsen en docenten AI om interactieve trainingsinstrumenten te creëren, zoals simulaties voor het diagnosticeren van ziekten of webgebaseerde platforms voor het onderwijzen van nierzorg. Eén studie beschreef een team van artsen dat in een korte periode vier verschillende educatieve applicaties bouwde, waarbij zij uitsluitend natuurlijke taal gebruikten om de AI aan te sturen. Deze tools bevatten onder andere een gids voor het analyseren van urine monsters en een diagnostische assistent voor nierproblemen. Een ander voorbeeld dat in de review werd belicht, is een webapplicatie genaamd DebriefMD, gebouwd door een otorinolaringoloog om chirurgische assistenten te helpen hun vaardigheden te verbeteren. De maker had geen formele opleiding in software engineering, maar gebruikte een AI-tool om de code te genereren, wat resulteerde in een systeem waarmee assistenten spraaknotities van feedback van hun supervisoren kunnen uploaden en automatische rapporten over hun prestaties ontvangen. Deze projecten demonstreren dat de drempel voor instap aanzienlijk is verlaagd, waardoor experts hun ideeën bijna onmiddellijk kunnen omzetten in werkende software.

In de wereld van het biomedisch onderzoek werkt de technologie als een kracht die data-analyse toegankelijk maakt voor meer mensen. Traditioneel vereiste het analyseren van complexe medische datasets een toegewijd team van datawetenschappers en programmeurs. Nu gebruiken onderzoekers AI-assistenten om de code te schrijven die nodig is om data op te schonen, statistische modellen te draaien en resultaten te visualiseren. De review merkte op dat deze verschuiving onderzoekers in staat stelt zich te concentreren op de wetenschappelijke vragen in plaats op de technische details van de implementatie. Sommige onderzoekers hebben deze tools zelfs gebruikt om aangepaste rekenmodellen voor klinische studies te bouwen, zoals een tool voor het voorspellen van uitkomsten na een specifieke oogoperatie. De auteurs van de review suggereren dat dit de toegang tot biomedische informatica kan democratiseren, waardoor meer clinici hun eigen onderzoeksprojecten kunnen leiden zonder te hoeven wachten op technische ondersteuning.

Het derde gebied betreft de complexe infrastructuur die ziekenhuizen draaiende houdt, specifiek de systemen die ervoor zorgen dat verschillende computerprogramma's met elkaar kunnen communiceren. Ziekenhuizen maken gebruik van vele verschillende softwaresystemen voor patiëntendossiers, laboratoriumresultaten en beeldvorming, en het verbinden van deze systemen vereiste historisch gezien gespecialiseerde engineers. De review vond een geval waarbij een ervaren integratie-architect natuurlijke taalinstructies gebruikte om datapijplijnen te bouwen die normaal gesproken weken handmatig coderen zouden kosten. Dit suggereert dat zelfs voor zeer technische infrastructurele taken AI kan fungeren als een versterker van bestaande expertise, waardoor de creatie van tools die patiëntgegevens tussen systemen verplaatsen wordt versneld. Ten slotte keek de review naar administratieve taken, zoals facturering en planning. Omdat deze gebieden minder direct risico vormen voor de patiëntveiligheid, worden ze gezien als een natuurlijk startpunt voor deze technologie. Clinici beginnen aangepaste scripts te bouwen om papierwerk te automatiseren, verwijzingen bij te houden of naleving te beheren—taken die voorheen vereisten dat een volledige IT-afdeling werd ingeschakeld.

De review maakt echter duidelijk dat het vermogen om snel software te bouwen niet betekent dat de software veilig of klaar is voor wijdverspreid gebruik. De onderzoekers identificeerden aanzienlijke tekortkomingen op het gebied van veiligheid en regulering. Een groot punt van zorg is de codeniveaus-beveiliging. Studies naar code gegenereerd door vergelijkbare AI-tools hebben aangetoond dat bijna de helft van de output beveiligingskwetsbaarheden bevat, wat gevaarlijk kan zijn in een zorgomgeving waar patiëntgegevens beschermd moeten worden. Er is ook een risico dat wanneer artsen hun instructies in deze AI-tools typen, zij per ongeluk gevoelige patiëntinformatie kunnen opnemen, die vervolgens naar externe servers kan worden verzonden. Bovendien is het juridische en regelgevende landschap onduidelijk. Het is nog niet gedefinieerd wie verantwoordelijk is als een door AI geschreven tool een fout maakt die een patiënt schade berokkent. De huidige regels voor medische software zijn geschreven voor menselijke programmeurs, en het is onzeker hoe deze van toepassing zijn op tools die tot stand komen via een gesprek met een machine.

Om deze risico's aan te pakken, stellen de auteurs een nieuw kader voor het beheer van deze tools voor, gebaseerd op het risiconiveau dat zij vormen. Zij stellen dat laag-risico tools, zoals educatieve simulaties of planningscalculators die geen privé patiëntgegevens verwerken, met minimale controle kunnen worden ingezet. Tools die gede-identificeerde data verwerken of administratieve workflows ondersteunen, zouden een gestructureerd beoordelingsproces vereisen om te garanderen dat ze veilig en in overeenstemming zijn met privacywetgeving. De hoogste mate van controle zou worden gereserveerd voor tools die direct klinische beslissingen beïnvloeden of toegang hebben tot identificeerbare patiëntgegevens. Deze hoog-risico toepassingen zouden dezelfde strenge testen en validatie moeten ondergaan als elk ander medisch hulpmiddel voordat ze gebruikt mogen worden. De onderzoekers benadrukken dat de methode van creatie—of deze nu door een mens of een AI is gebeurd—de veiligheidseisen voor het eindproduct niet mag veranderen.

De review concludeert dat hoewel het potentieel van deze technologie om de gezondheidszorg te transformeren reëel is, het huidige bewijs beperkt blijft tot vroege experimenten en kleinschalige projecten. Er zijn geen grootschalige studies die bewijzen dat deze tools de patiëntuitkomsten verbeteren, en veel van de succesvolle voorbeelden komen van gemotiveerde pioniers die mogelijk niet representatief zijn voor de gemiddelde gebruiker. De auteurs betogen dat de volgende stap niet het overhaast omarmen van brede adoptie is, maar het bouwen van de noodzakelijke vangrails. Dit omvat het creëren van gestandaardiseerde manieren om AI-gegenereerde code te testen, het bijwerken van medische curricula om clinici te leren hoe zij deze tools veilig kunnen gebruiken, en het ontwikkelen van duidelijke regels voor wie verantwoordelijk is wanneer er zaken misgaan. De belofte van "vibe coding" is dat het de mensen die het meeste weten over de gezondheidszorg in staat stelt de tools te bouwen die zij nodig hebben, maar het waarmaken van die belofte zal dezelfde strengheid, geduld en focus op veiligheid vereisen die een goede medische praktijk definiëren.