The Brightest Physician in the Room: AI, Professional Recognition, and the Experience of Knowing

In de hooggespannen wereld van de geneeskunde wordt de reputatie van een arts langzaam opgebouwd, steen voor steen, over jaren van studie en praktijk. Wanneer een arts tijdens een discussie over een moeilijke casus het woord neemt, luistert de collega niet alleen naar de woorden, maar ook naar de geschiedenis die erachter ligt. Zij concluderen dat een scherp, zelfverzekerd antwoord voortkomt uit een diepe bron van ervaring, een langlopend proces van lezen, fouten maken, deze corrigeren en langzaam leren hoe men patronen in zieke patiënten herkent. Dit proces van professionele erkenning is hoe een medisch team beslist wie zij vertrouwen wanneer er een leven op het spel staat. Het is een sociale beoordeling gebaseerd op de aanname dat een briljante prestatie op het moment zelf het resultaat is van een lange, private reis van leren die in het verleden heeft plaatsgevonden.

Nu verandert een nieuwe technologie genaamd generatieve kunstmatige intelligentie de snelheid waarmee artsen toegang hebben tot informatie. Deze systemen kunnen complexe medische vragen binnen enkele seconden beantwoorden, waarbij ze bewijzen en verklaringen bieden die vroeger uren of dagen kostten om te vinden. Deze verschuiving creëert een vreemde nieuwe situatie: een arts kan nu in een vergadering een geavanceerd, accuraat antwoord produceren dat precies lijkt op het resultaat van jarenlange studie, zelfs als hij de materie pas enkele uren geleden heeft geleerd. Een recente essay door Andrea Mangiameli onderzoekt hoe deze kloof tussen wat een arts zegt en hoe diegene het geleerd heeft, de manier waarop medische professionals zichzelf zien en door anderen worden gezien, vormgeeft. Het artikel beweert niet dat kunstmatige intelligentie een toverstaf is die alle medische problemen oplost, noch suggereert het dat artsen overbodig worden. In plaats daarvan stelt het dat deze technologie een spanning creëert tussen de zichtbare prestatie van expertise en de private realiteit van hoe die expertise is verworven, wat de medische gemeenschap dwingt om opnieuw na te denken over hoe zij werkelijk begrip meten.

Het verhaal begint met een eenvoudige observatie over hoe artsen samenwerken. In een ziekenhuis is kennis zelden een solitaire activiteit; het wordt uitgeoefend in een kamer vol mensen. Wanneer een moeilijke vraag opkomt, kan een senior arts een specifieke studie herinneren, of een junior collega kan een detail opmerken dat de hele richting van het gesprek verandert. In de loop van de tijd leert het team wie het waard is om te vragen. Ze leren te vertrouwen op de persoon wiens aarzeling hen doet pauzeren en heroverwegen, of op de persoon die consequent het juiste inzicht brengt bij een complex probleem. Dit vertrouwen is gebouwd op een gedeeld geheugen van eerdere prestaties. Collega's kijken naar het huidige antwoord van een arts en lezen dit achterwaarts, waarbij ze zich de jaren van training, de fouten en de correcties voorstellen die nodig moesten zijn om zo'n vloeiend antwoord te produceren. Zij nemen aan dat de diepgang van het antwoord overeenkomt met de diepgang van de geschiedenis van de arts.

Generatieve kunstmatige intelligentie verstoort deze tijdlijn. Stel je een arts voor die zich de avond voor een vergadering voorbereidt. Hij heeft een patiënt met een complexe aandoening, maar er is een specifieke technische vraag op een gebied dat hij niet goed kent. In plaats van wekenlang te studeren, vraat hij een AI-systeem om het probleem uit te leggen. Het systeem geeft een samenvvatting, citeert onderzoeken en helpt de arts om zijn eigen initiële gedachten te testen. De arts controleert het bewijs, bevraagt de suggesties van het systeem en verfijnt zijn begrip. Tegen de volgende ochtend heeft hij een heldere, accurate uitleg klaar om te delen. Wanneer hij in de vergadering spreet, is zijn antwoord precies en nuttig. De kamer reageert positief; het team vertrouwt de aanbeveling en de patiënt profiteert. Voor de collega in de kamer ziet de prestatie eruit als het resultaat van diepe, langdurige expertise. Zij concluderen een geschiedenis van studie en ervaring die er in die vorm simpelweg niet is.

De arts weet echter de waarheid. Hij herinnert zich precies hoe recent het begrip tot hem kwam. Hij herinnert zich het moment waarop de verwarring verdween, de specifieke verbinding die pas duidelijk werd na het overleg met de machine, en de snelheid waarmee de kennis werd verworven. Dit creëert een splitsing in de ervaring van het weten. Het publiek ziet een bekwaam expert; het private zelf weet dat de bekwaamheid in een enkele avond is samengesteld. Het artikel suggereert dat dit niet noodzakelijkerwijs een misleiding is. De arts heeft het werk gedaan om de informatie te verifiëren, de bronnen te controleren en de nieuwe kennis te integreren in een beslissing voor een specifieke patiënt. Hij heeft het vertrouwen van de kamer verdiend door een oprecht, zij het versneld, leerproces. Maar de snelheid van dit leren verandert hoe de arts zijn eigen groei interpreteert.

De centrale bevinding van de essay is dat deze versnelling een vertraging creëert tussen professionele erkenning en zelfherkenning. Professionele erkenning is wat er gebeurt wanneer collega's de oordeelsvorming van een arts vertrouwen. Zelfherkenning is het eigen gevoel van de arts over wat hij in staat is. In het verleden bewogen deze twee samen. Naarmate een arts meer ervaring opdeed, vertrouwden zijn collega's hem meer en voelde de arts zich zelfverzekerder. Nu kan een arts een hoog niveau van vertrouwen krijgen van collega's na een enkele succesvolle interactie met een AI-systeem, zelfs voordat hij de tijd heeft gehad om die kennis volledig te integreren in zijn eigen langetermijnervaring. De arts kan een gevoel van onbehagen ervaren, waarbij hij zich afvraagt of het vertrouwen dat hij ontvangt wel overeenkomt met zijn eigen, interne gevoel van gereedheid. Hij weet dat hij iets nieuws heeft geleerd, maar hij is nog niet zeker of die kennis stand zal houden wanneer er een andere, iets complexere casus verschijnt.

Het artikel stelt dat echte expertise niet alleen gaat over het één keer geven van het juiste antwoord; het gaat over hoe dat begrip zich gedraagt over de tijd heen wanneer de omstandigheden veranderen. Een arts die iets door jarenlange praktijk heeft geleerd, heeft een diep, flexibel begrip dat kan adapteren wanneer een patiënt een ander pakket aan symptomen of een nieuwe complicatie heeft. Een arts die hetzelfde heeft geleerd via snelle AI-ondersteuning, heeft misschien vandaag een correct antwoord, maar hij weet mogelijk nog niet hoe hij dat antwoord moet aanpassen voor de unieke uitdagingen van morgen. De diepte van hun begrip zal pas later zichtbaar worden, wanneer zij geconfronteerd worden met een casus die niet past in het patroon dat ze net hebben geleerd. Het is in die momenten van variatie — wanneer het gemakkelijke antwoord niet meer werkt — dat het team zal zien of de nieuwe kennis van de arts werkelijk geïntegreerd is of slechts een tijdelijke pleister.

Deze dynamiek verandert hoe artsen over zichzelf oordelen en hoe zij door anderen worden beoordeeld. De essay merkt op dat de manier waarop een arts deelneemt aan het leerproces ertoe doet. Als zij simpelweg het antwoord van de AI accepteren zonder vragen te stellen, zullen zij mogelijk geen sterk gevoel van eigenaarschap over de kennis voelen. Maar als zij actief met het systeem werken, de ideeën testen en het bewijs controleren, is de kans groter dat zij het gevoel hebben dat het leren van hen is. Desalniettemin, zelfs met actieve deelname, weet de arts dat de geschiedenis van dat leren gecomprimeerd is. Hij weet dat het "aha-moment" gisteren plaatsvond, en niet tien jaar geleden. Deze kennis geeft hen een rijker, eerlijker beeld van hun eigen ontwikkeling, maar het betekent ook dat zij niet zeker kunnen weten hoe die ontwikkeling zich in de toekomst zal manifesteren.

Het artikel raakt ook aan hoe collega's zouden reageren als zij de waarheid zouden weten. Onderzoek dat in de essay wordt genoemd, suggereert dat als de afhankelijkheid van een arts van AI publiek wordt gemaakt, de collega zijn vaardigheid lager zou inschatten, zelfs als het antwoord correct was. Het sociale verhaal van "Ik heb dit gisteravond opgezocht" is anders dan "Ik heb hier gisteravond met een AI-systeem aan gewerkt", zelfs als de mentale inspanning vergelijkbaar was. De bewoording verandert het verhaal dat mensen zichzelf vertellen over de geschiedenis van de arts. Maar in de realiteit van het ziekenhuis houdt de arts deze geschiedenis vaak privé. Hij draagt de herinnering aan het snelle leren bij zich, terwijl de kamer alleen het gepolijste resultaat ziet.

Uiteindelijk suggereert de essay dat de medische gemeenschap zal moeten leren om expertise anders te beoordelen. Naarms de kunstmatige intelligentie een standaardinstrument wordt, zal de oude manier om de ervaring van een arts te raden op basis van een enkel briljant antwoord minder betrouwbaar worden. De focus zal mogelijk moeten verschuiven van de directe prestatie naar hoe de arts de volgende moeilijke casus aanpakt. Echte expertise zal niet zichtbaar worden bij de eerste keer dat een arts een nieuw instrument gebruikt, maar in hoe die arts dat instrument aanpast wanneer de situatie verandert, wanneer het bewijs verschuift, of wanneer de patiënt niet in het patroon past. Het artikel concludeert dat de professionele identiteit niet langer een rechte lijn van langzame accumulatie is. Het wordt een reeks van snelle sprongen en herkalibraties, waarbij een arts zichzelf constant de vraag moet stellen: "Ik weet dit nu, maar begrijp ik het wel genoeg om erop te vertrouwen als het misgaat?" Het antwoord op die vraag zal niet gevonden worden in de vergaderkamer, maar in de stille, onzekere momenten van de volgende moeilijke casus.