AI-documentatie in gemeentelijke gezondheidszorg: beoordelingskader

Gemeentelijke volksgezondheidsprogramma's nemen een bijzondere positie in binnen de gezondheidszorg. Ze zijn actief op scholen, via huisbezoeken en in lokale klinieken, worden voornamelijk bemand door verpleegkundigen en wijkverpleegkundigen, en zijn verantwoordelijk voor doelstellingen op populatieniveau in plaats van individuele zorgcontacten. Wanneer AI-documentatie-assistentie in deze omgeving wordt geïntroduceerd, zijn de evaluatievragen die gelden in een huisartsenpraktijk of ziekenhuisafdeling niet zonder meer toepasbaar. Deze gids biedt een gestructureerd raamwerk voor volksgezondheidsbeheerders die deze beoordeling voor het eerst uitvoeren, gebaseerd op actuele Europese regelgevingsverplichtingen, gepubliceerd implementatiebewijs en de praktische realiteit van gemeentelijke gezondheidszorg.

Waarom gemeentelijke gezondheidszorgsettings een apart evaluatieraamwerk vereisen

De belangrijkste wetenschappelijke onderbouwing voor AI-documentatietools in klinische settings komt uit ziekenhuizen en, in mindere mate, huisartsenpraktijken. Beide contexten hebben kenmerken die niet overeenkomen met hoe gemeentelijke volksgezondheidsprogramma's werken: vaste spreekkamers, toegewijde IT-infrastructuur en zorgverleners met beschermde documentatietijd.

Gemeentelijke gezondheidszorg wordt doorgaans geleid door verpleegkundigen, uitgevoerd op meerdere verspreide locaties en gestructureerd rond korte, vaak informele contacten: een schoolgezondheidscontrole, een huisbezoek bij een jonge moeder, een inloopsessie in een buurthuis. Medewerkers verplaatsen zich regelmatig tussen locaties, de connectiviteit is wisselend en dezelfde persoon kan tegelijkertijd functioneren als zorgverlener, zorgcoördinator en casemanager.

De beoordeling van AI-gereedheid door WHO/Europa in EU-lidstaten toonde aan dat de voorbereiding van het personeel en de structuren voor gegevensbeheer aanzienlijk variëren tussen nationale gezondheidssystemen en subnationale uitvoeringsniveaus. Gemeentelijke beheerders kunnen niet aannemen dat een tool die op ziekenhuisniveau is gevalideerd, ook in hun setting geschikt zal presteren.

De analyse van de Europese Commissie van AI-implementatiebarrières in de klinische praktijk onderscheidt vier categorieën uitdagingen: technologische en data-uitdagingen, regelgevingscomplexiteit, organisatorische en financiële barrières, en sociale en culturele factoren. In gemeentelijke volksgezondheidsprogramma's komen alle vier categorieën met bijzondere intensiteit voor, waardoor een op maat gemaakt beoordelingskader noodzakelijk is.

Een systematische review van e-health-implementatiefactoren in eerste- en tweedelijnszorg en thuiszorg toonde aan dat succesvolle implementatie afhing van factoren op het niveau van de technologie zelf, de externe organisatiecontext, de interne uitvoeringscontext en de individuele professionals. Gemeentelijke gezondheidsprogramma's omvatten al deze niveaus op manieren die ziekenhuisimplementaties doorgaans niet kennen.

Wat een AI-documentatie-assistent daadwerkelijk doet in een gemeentelijke gezondheidscontext

Voordat een regelgevende of aanbestedingsbeoordeling begint, hebben beheerders een precieze functionele definitie nodig van de tool die wordt geëvalueerd. Verkeerde classificatie in dit stadium leidt tot nalevingsfouten verderop in het proces, die lastig te corrigeren zijn.

Een AI-documentatie-assistent in een gemeentelijke gezondheidscontext doet het volgende:

• Luistert naar een klinisch gesprek tussen een zorgprofessional en een patiënt of familielid

• Zet gesproken inhoud in realtime om naar tekst met behulp van spraak-naar-teksttechnologie (geautomatiseerde spraakherkenning, ASR)

• Genereert een gestructureerd klinisch verslag of samenvatting uit die transcriptie

• Vermindert de documentatielast voor de zorgverlener door het automatiseren van verslagcreatie

Wat het niet doet, en dit onderscheid is van regelgevend belang, is klinische bevindingen interpreteren, diagnoses suggereren, behandelingen aanbevelen of klinische risico's markeren. Die functies vallen onder klinische beslissingsondersteuning, wat andere regelgevingsverplichtingen met zich meebrengt onder zowel de EU Medical Device Regulation (MDR, Verordening 2017/745 betreffende medische hulpmiddelen) als de EU AI Act (Verordening 2024/1689 betreffende kunstmatige intelligentie).

Het raamwerk van The Lancet Primary Care voor het categoriseren van AI-toepassingen in de eerstelijnszorg gebruikt de taxonomie voor digitale gezondheidsinterventies van de Wereldgezondheidsorganisatie om precies dit onderscheid te maken, waarbij tools die documentatie en communicatie ondersteunen worden gescheiden van tools die klinische begeleiding bieden. Beheerders die deze twee categorieën verwarren, lopen het risico een documentatietool te zwaar te reguleren of, gevaarlijker nog, een tool die daadwerkelijk klinische functies uitvoert te licht te reguleren.

Een praktische test: als het verwijderen van de output van de AI-tool uit een consult het klinische oordeel van de zorgverlener onveranderd laat, functioneert de tool als documentatie-assistent. Als de output van de tool het besluit van de zorgverlener beïnvloedt, functioneert het als klinische beslissingsondersteuning.

MDR-classificatie: wat gemeentelijke beheerders eerst moeten bepalen

Classificatie onder de MDR (Verordening 2017/745) is de eerste formele stap die moet worden gezet voordat een aanbestedingsbeslissing wordt genomen. Dit verkeerd doen stelt de gemeente bloot aan juridische aansprakelijkheid en, belangrijker nog, aan risico's voor patiëntveiligheid.

De centrale vraag is of de AI-documentatie-assistent voldoet aan de MDR-definitie van een medisch hulpmiddel, specifiek of het bedoeld is voor de diagnose, preventie, monitoring, behandeling of verlichting van ziekte. Een tool die alleen klinische gesprekken vastlegt en structureert, zonder de klinische inhoud te interpreteren, valt doorgaans buiten het toepassingsgebied van de MDR. Een tool die klinische aanbevelingen, risicoscores of diagnostische suggesties genereert, valt er wel onder.

De convergentie van MDR, Algemene Verordening Gegevensbescherming (AVG) en de EU AI Act betekent dat zelfs een tool die niet als medisch hulpmiddel wordt geclassificeerd, toch verplichtingen kan hebben onder de AI Act als het wordt beschouwd als een AI-systeem met een hoog risico, bijvoorbeeld als het wordt gebruikt op een manier die klinische beslissingen beïnvloedt die de patiëntveiligheid raken.

Wanneer een tool is geclassificeerd als medisch hulpmiddel:

• Moet de fabrikant CE-markering hebben onder de MDR

• Moet een conformiteitsbeoordeling zijn afgerond, mogelijk met betrokkenheid van een aangemelde instantie

• Zijn technische documentatie, markttoezicht na het in de handel brengen en verplichtingen voor incidentrapportage van toepassing

• Draagt de gemeente als gebruiker specifieke verplichtingen als marktdeelnemer

Analyse van de implicaties van de EU AI Act voor de gezondheidszorg wijst op een praktisch knelpunt in de beschikbaarheid van aangemelde instanties met voldoende capaciteit om AI-gebaseerde medische hulpmiddelen te beoordelen. Beheerders moeten leveranciers direct vragen naar de huidige status van hun conformiteitsbeoordeling en niet aannemen dat CE-markering aanstaande is als deze nog niet is verleend.

Beheerders moeten van elke leverancier het volgende opvragen:

• Een schriftelijke verklaring van het beoogde doel

• Bevestiging van MDR-classificatie en de onderbouwing daarvan

• CE-markeringsdocumentatie indien van toepassing, of een duidelijke uitleg waarom de tool buiten het MDR-toepassingsgebied valt

• Bewijs van betrokkenheid van een aangemelde instantie

AVG en gegevensopslag: belangrijke vragen voor gemeenten die patiëntgegevens verwerken

Een AI-documentatie-assistent verwerkt bijzondere categorieën persoonsgegevens onder de AVG, specifiek gezondheidsgegevens over identificeerbare personen. Dit activeert de strengste laag van AVG-verplichtingen, en gemeenten als verwerkingsverantwoordelijken dragen de primaire verantwoordelijkheid om te waarborgen dat aan die verplichtingen wordt voldaan.

De belangrijkste AVG-vragen die gemeentelijke beheerders moeten beantwoorden vóór aanbesteding zijn:

Rechtmatige grondslag: Gemeentelijke gezondheidsprogramma's zullen doorgaans steunen op artikel 9(2)(h), verwerking die noodzakelijk is voor preventieve of arbeidsgeneeskunde, medische diagnose of de verlening van gezondheidszorg, gecombineerd met artikel 6(1)(e) voor de uitvoering van een publieke taak. Beheerders moeten met hun functionaris voor gegevensbescherming (FG) bevestigen dat deze grondslag correct is gedocumenteerd.

Verwerkersovereenkomst: Wanneer een leverancier patiëntgegevens namens de gemeente verwerkt, moet er een verwerkersovereenkomst conform artikel 28 AVG zijn voordat gegevens worden verwerkt. De verwerkersovereenkomst moet het onderwerp, de duur, de aard en het doel van de verwerking specificeren, het type persoonsgegevens en categorieën betrokkenen, en de verplichtingen en rechten van de verwerkingsverantwoordelijke.

Gegevensopslag: EU-vereisten voor gegevensopslag voor gezondheidsgegevens zijn een belangrijk aanbestedingscriterium. Gemeenten moeten eisen dat patiëntgegevens binnen de EU/Europese Economische Ruimte (EER) worden opgeslagen en verwerkt, en moeten contractuele garanties daarvoor verkrijgen. Wanneer een leverancier subverwerkers gebruikt, bijvoorbeeld cloudinfrastructuurproviders, moet de locatie van elke subverwerker worden bekendgemaakt en beoordeeld.

Transparantie van subverwerkers: Leveranciers moeten een volledige lijst kunnen verstrekken van subverwerkers die betrokken zijn bij het verwerken van patiëntgegevens, met hun locaties en de waarborgen die gelden voor eventuele overdrachten buiten de EU/EER.

Gegevensminimalisatie en -bewaring: Beheerders moeten bevestigen welke gegevens de tool bewaart na een consult, hoe lang, en onder welk verwijderings- of anonimiseringsbeleid.

De Europese Gezondheidsgegevensruimte (EHDS), die in 2025 in werking is getreden, voegt een extra laag van gegevensbeheerverplichtingen toe die gemeenten in EU-lidstaten in hun beoordeling moeten meenemen, vooral waar patiëntgegevens grensoverschrijdend kunnen worden geraadpleegd.

Beoordeling van de beveiligingspositie van leveranciers: welke certificeringen en controles te zoeken

Beveiligingsbeoordeling van een leverancier van AI-documentatie-assistenten is geen eenmalige afvinklijst. Het vereist dat beheerders zowel de formele certificeringen van de leverancier als de praktische controles die zij hebben geïmplementeerd, evalueren.

ISO 27001 is de basiscertificering die beheerders moeten eisen. Het toont aan dat de leverancier een informatiebeveiligingsmanagementsysteem (ISMS) heeft geïmplementeerd dat onafhankelijk is geaudit. Beheerders moeten vragen naar het actuele certificaat, het toepassingsgebied ervan en de datum van de meest recente toezichtaudit.

Naast ISO 27001 moeten beheerders leveranciers direct vragen naar:

• Toegangscontroles: Wie binnen de leveranciersorganisatie heeft toegang tot patiëntgegevens, onder welke voorwaarden en met welk auditspoor?

• Versleuteling: Zijn gegevens versleuteld tijdens verzending en in rust? Welke versleutelingsstandaarden worden gebruikt?

• Auditlogs: Worden toegangs- en verwerkingsgebeurtenissen gelogd, en kan de gemeente toegang krijgen tot die logs?

• Melding van datalekken: Wat is de contractuele verplichting van de leverancier met betrekking tot tijdlijnen voor melding van datalekken? De AVG vereist melding aan toezichthoudende autoriteiten binnen 72 uur nadat men zich bewust wordt van een datalek, en leveranciers moeten die tijdlijn kunnen ondersteunen.

• Penetratietesten: Hoe vaak wordt het systeem onafhankelijk getest op kwetsbaarheden, en zijn rapporten beschikbaar?

• Beveiliging van subverwerkers: Welke beveiligingseisen legt de leverancier op aan zijn subverwerkers, en hoe wordt naleving geverifieerd?

De vereisten van de EU AI Act voor AI-systemen met een hoog risico omvatten verplichtingen rond robuustheid, nauwkeurigheid en cyberbeveiliging die leveranciers van tools binnen het toepassingsgebied moeten aantonen via technische documentatie. Beheerders moeten vragen of de tool is beoordeeld onder de AI Act en, zo ja, met welke risicoclassificatie.

Nationale kaders voor gegevensbeveiliging in de gezondheidszorg, zoals die worden beheerd door nationale cyberbeveiligingsagentschappen in Frankrijk, Duitsland of Nederland, kunnen aanvullende eisen stellen bovenop ISO 27001. Gemeenten moeten controleren of hun nationale kader van toepassing is op gemeentelijke gezondheidsdatasystemen en of de certificering van de leverancier dit dekt.

Aansluiting bij gemeentelijke zorgworkflows: waarom in ziekenhuizen gevalideerde tools mogelijk niet direct overdraagbaar zijn

Een tool die goed presteert in een ziekenhuispolikliniek of een huisartsenpraktijk kan materieel anders presteren in een gemeentelijke gezondheidssetting. Beheerders moeten bewijs van validatie in ziekenhuizen of bij huisartsen niet beschouwen als voldoende bewijs van geschiktheid voor implementatie in de gemeentelijke gezondheidszorg.

De workflowkenmerken die gemeentelijke gezondheidszorg onderscheiden zijn onder meer:

• Mobiele en thuisgebaseerde consulten: De zorgverlener bevindt zich niet in een vaste akoestische omgeving. Achtergrondgeluid, variabele microfoonkwaliteit en fysieke afstand tot een apparaat beïnvloeden de transcriptienauwkeurigheid op manieren die gecontroleerde klinische omgevingen niet kennen.

• Wisselende connectiviteit: Veel gemeentelijke gezondheidsbezoeken vinden plaats op locaties met onbetrouwbare internettoegang. Beheerders moeten bepalen of de tool continue connectiviteit vereist of offline kan functioneren met synchronisatie zodra de verbinding is hersteld.

• Korte consulten: Gemeentelijke gezondheidscontacten zijn vaak korter en minder gestructureerd dan ziekenhuis- of huisartsafspraken, met minder voorspelbare klinische taal en meer informele uitwisseling.

• Medewerkers met meerdere rollen: Gemeentelijke gezondheidswerkers en wijkverpleegkundigen vervullen vaak functies die klinische beoordeling, sociale zorgcoördinatie en volksgezondheidsbewaking omvatten. De verslagtemplates en gestructureerde output van de tool moeten deze breedte weerspiegelen.

• Gedeelde of persoonlijke apparaten: In tegenstelling tot ziekenhuissettings waar apparaten doorgaans vast en beheerd zijn, kunnen gemeentelijke gezondheidsmedewerkers gedeelde tablets of persoonlijke apparaten gebruiken, wat aanvullende beveiligings- en toegangscontrolevragen oproept.

Het raamwerk van The Lancet Primary Care benadrukt dat AI-tools in eerste- en gemeentelijke lijnzorg moeten worden beoordeeld op het daadwerkelijke leveringsmodel, niet op een gegeneraliseerd klinisch contact. Beheerders moeten leveranciers specifiek vragen of de tool is getest of geïmplementeerd in gemeentelijke gezondheidszorg, thuiszorg of schoolgezondheidszorgcontexten, en prestatiegegevens uit die settings opvragen in plaats van uit ziekenhuisomgevingen.

Een multicenter-implementatiestudie van klinische beslissingsondersteuning in diverse eerstelijnszorgsettings toonde aan dat gebruiksgericht ontwerp en workflowintegratietesten kritieke bepalende factoren waren voor adoptiesucces. Deze bevindingen zijn direct van toepassing op AI-documentatietools in gemeentelijke gezondheidszorg.

Personeelsrollen en trainingsvereisten in door verpleegkundigen geleide en schoolgezondheidsdiensten

Het personeelsbestand in gemeentelijke volksgezondheidsprogramma's verschilt van ziekenhuis- of huisartsensettings op manieren die zowel trainingsvereisten als verantwoordelijkheidsstructuren beïnvloeden. Beheerders moeten deze verschillen expliciet adresseren vóór implementatie.

Wie zal de tool gebruiken? In door verpleegkundigen geleide diensten, wijkverpleegprogramma's en schoolgezondheidsteams zijn de primaire gebruikers geregistreerde verpleegkundigen, wijkverpleegkundigen en gemeentelijke gezondheidswerkers, geen artsen. Training en verandermanagement moeten worden ontworpen voor dit personeelsbestand, niet worden aangepast vanuit materialen die zijn ontwikkeld voor huisartsen- of ziekenhuiscontexten.

Technische training versus vertrouwensopbouw: Een cross-sectioneel onderzoek onder zorgprofessionals over AI-documentatietools toonde aan dat bekendheid met AI-tools en bewustzijn van institutioneel beleid beide laag waren, zelfs onder professionals die werkten in settings waar AI-tools beschikbaar waren. Technische training over het gebruik van de tool is noodzakelijk, maar niet voldoende. Medewerkers hebben ook begeleide ervaring nodig om vertrouwen op te bouwen in de output van de tool en om het kritische oordeel te ontwikkelen om te herkennen wanneer het AI-gegenereerde verslag niet nauwkeurig het klinische contact weergeeft.

Verantwoordelijkheid voor verslagnauwkeurigheid: Wanneer een AI-assistent een klinisch verslag genereert, behoudt de zorgverlener die het contact uitvoerde volledige professionele en juridische verantwoordelijkheid voor de nauwkeurigheid van dat verslag. Dit moet duidelijk en ondubbelzinnig worden gecommuniceerd aan alle medewerkers vóór implementatie, en worden opgenomen in trainingsmaterialen. Het AI-gegenereerde verslag is een concept voor beoordeling door de zorgverlener, geen definitief dossier.

Verandermanagement: De regionale beoordeling van WHO/Europa identificeert voorbereiding van het personeelsbestand als een van de meest significante barrières voor AI-adoptie in gezondheidssystemen in de Europese regio. Beheerders moeten plannen voor een gestructureerd verandermanagementproces dat omvat:

• Consultatie van medewerkers vóór implementatie

• Gefaseerde uitrol met aangewezen early adopters

• Doorlopende feedbackmechanismen

• Benoemde klinische leiders voor governance en kwaliteitsborging

Kwaliteit en nauwkeurigheid van klinische verslagen: hoe te evalueren voordat u implementeert

Nauwkeurigheidsbeoordeling is niet iets dat beheerders volledig aan leveranciers moeten overlaten. Een gestructureerd pre-implementatie-evaluatieproces, uitgevoerd in de eigen klinische context van de gemeente, is essentieel.

Definieer wat 'nauwkeurig' betekent voor uw setting. Een klinisch verslag voor een huisbezoek van een wijkverpleegkundige heeft andere structurele vereisten dan een huisartsconsultverslag of een ziekenhuisontslagbrief. Beheerders moeten vooraf definiëren hoe een bevredigend verslag eruitziet voor elk type contact in hun programma: welke velden aanwezig moeten zijn, welke klinische taal passend is en welke weglatingen een materiële fout zouden vormen.

Voer een gestructureerde pilot uit. Vóór volledige uitrol maakt een tijdelijk beperkte pilot met een gedefinieerde groep medewerkers en een gedefinieerde set contacttypen het mogelijk om nauwkeurigheid in de eigen context te beoordelen. De pilot moet omvatten:

• Een steekproef van echte consulten over verschillende contacttypen

• Onafhankelijke beoordeling van AI-gegenereerde verslagen tegenover door zorgverleners geschreven verslagen of herinnering van zorgverleners

• Gestructureerde registratie van fouten, weglatingen en hallucinaties (gevallen waarin de AI inhoud genereert die niet is gezegd)

• Feedback van medewerkers over bruikbaarheid en workflowaansluiting

Stel acceptatiedrempels vast. Beheerders moeten, voordat de pilot begint, definiëren welk nauwkeurigheidsniveau acceptabel is en welk foutenpercentage aanleiding zou zijn om niet door te gaan. Dit voorkomt achteraf rationalisatie van slechte resultaten.

Stel doorlopende kwaliteitsbeoordeling in. Implementatie mag het nauwkeurigheidsbeoordelingsproces niet beëindigen. Een regelmatige beoordeling van een steekproef van AI-gegenereerde verslagen, uitgevoerd door een klinische governanceleider, moet vanaf het begin worden ingebouwd in het governanceraamwerk van het programma.

Een Belgische cluster-gerandomiseerde trial van klinische beslissingsondersteuning in de eerstelijnszorg toonde aan dat onvolledig gestructureerde dossiers een primaire oorzaak waren van lage systeemgebruikspercentages. Dit onderstreept het belang van ervoor te zorgen dat AI-gegenereerde verslagen voldoen aan de gestructureerde gegevensvereisten van het patiëntendossiersysteem van de gemeente vóór implementatie.

Overwegingen voor taal, dialect en bevolkingsdiversiteit

Gemeentelijke volksgezondheidsprogramma's bedienen vaak taalkundig diverse bevolkingsgroepen. Dit geldt met name voor stedelijke gemeenten met aanzienlijke migranten- of vluchtelingengemeenschappen, en in regio's met minderheidstaalbevolkingen. AI-documentatietools die goed presteren in standaard gesproken Engels, Nederlands of Duits kunnen aanzienlijk slechter presteren bij het verwerken van spraak met accent, regionale dialecten of code-switching tussen talen.

The Lancet Primary Care identificeert gelijkheid als een kernprincipe voor AI-integratie in eerste- en gemeentelijke lijnzorg, en merkt op dat tools die verschillend presteren over bevolkingsgroepen het risico lopen bestaande gezondheidsongelijkheden te vergroten in plaats van te verkleinen. Voor gemeentelijke gezondheidsprogramma's met een expliciet volksgezondheidsmandaat is dit geen abstracte zorg, maar een governanceverplichting.

Beheerders moeten leveranciers vragen:

• In welke talen en taalvarianten is de tool gevalideerd?

• Wat is het gedocumenteerde nauwkeurigheidsverschil tussen standaard en niet-standaard spraakvariëteiten in die talen?

• Hoe gaat de tool om met consulten die gedeeltelijk of geheel via een tolk worden gevoerd?

• Wat is de roadmap van de leverancier voor het uitbreiden van taaldekking?

Testen moeten consulten omvatten met medewerkers en patiënten die representatief zijn voor de daadwerkelijke bevolkingsdiversiteit van de gemeente, niet alleen de meerderheidstaalgroep. Als de tool geen acceptabele nauwkeurigheid kan aantonen voor de primaire taalgroepen van de gemeente, mag deze niet worden geïmplementeerd in diensten waar die bevolkingsgroepen worden bediend.

Integratie met bestaande patiëntendossiersystemen en gemeentelijke IT

Technische integratie is vaak het onderdeel met de langste doorlooptijd bij een implementatie van een AI-documentatie-assistent. Beheerders moeten deze beoordeling vroeg starten en het niet behandelen als een implementatievraag in de laatste fase.

De kernintegratievragen zijn:

Compatibiliteit met patiëntendossiersysteem: Met welke patiëntendossiersystemen integreert de tool momenteel, en via welk mechanisme? Directe integratie via application programming interface (API, programmeerkoppelvlak), HL7 Fast Healthcare Interoperability Resources (FHIR, snelle interoperabiliteitsbronnen voor de gezondheidszorg), of een eigen connector brengen elk verschillende implementatiecomplexiteit en onderhoudsverplichtingen met zich mee.

Beperkingen van legacy-systemen: De analyse van de Europese Commissie noemt gefragmenteerde data-infrastructuur en legacy-systemen als een van de vier primaire barrières voor AI-implementatie in Europese gezondheidszorgsettings. Gemeentelijke volksgezondheidszorg-IT-omgevingen bevatten vaak oudere systemen die dateren van vóór moderne interoperabiliteitsstandaarden. Beheerders moeten een duidelijke technische beoordeling verkrijgen of de AI-tool kan werken binnen hun bestaande infrastructuur of dat systeemupgrades vereist zijn als voorwaarde.

MyHealth@EU en FHIR-naleving: Een JMIR-tutorial over AI Act-naleving binnen het MyHealth@EU-raamwerk beschrijft de dubbele nalevingsuitdaging waarmee implementeerders van gezondheids-AI worden geconfronteerd: verticale veiligheids- en ethiekcontroles onder de AI Act, en horizontale interoperabiliteitsvereisten onder MyHealth@EU met behulp van FHIR/HL7-standaarden. Gemeenten die deelnemen aan grensoverschrijdende gegevensuitwisselingsprogramma's in de gezondheidszorg moeten ervoor zorgen dat de output van de AI-tool compatibel is met deze standaarden.

Offline functionaliteit: Voor gemeentelijke gezondheidszorgsettings met wisselende connectiviteit moeten beheerders bevestigen of de tool consulten offline kan vastleggen en verwerken, en hoe synchronisatie met het centrale patiëntendossiersysteem wordt afgehandeld wanneer de connectiviteit is hersteld.

Datastroomkoppeling: Vóór implementatie moet een volledige datastroomkaart, die laat zien waar gegevens worden gecreëerd, verwerkt, opgeslagen en verwijderd, worden opgesteld en beoordeeld door de FG. Dit is zowel een AVG-vereiste als een praktisch governance-instrument.

Aanbesteding en governance: het interne pleidooi voor goedkeuring opbouwen

Gemeentelijke aanbesteding van een AI-documentatie-assistent omvat belanghebbenden uit meerdere disciplines, en de volgorde waarin zij worden betrokken is van belang. Beheerders die aanbesteding benaderen als primair een technologieaankoop, in plaats van een governanceproces, ondervinden doorgaans vertragingen en bezwaren die voorkomen hadden kunnen worden.

De interne belanghebbenden die moeten worden betrokken, en de volgorde die goede governancepraktijk weerspiegelt, zijn:

Functionaris voor gegevensbescherming: De FG moet vanaf het begin worden betrokken, niet pas aan het eind worden geraadpleegd. De FG moet een gegevensbeschermingseffectbeoordeling (DPIA) uitvoeren of toezicht houden op artikel 35 AVG, wat verplicht is wanneer de verwerking waarschijnlijk een hoog risico voor personen met zich meebrengt, zoals het geval is bij grootschalige AI-verwerking van gezondheidsgegevens.

Klinische governanceleider: Deze persoon moet de klinische kwaliteitsnormen definiëren waaraan de tool moet voldoen, toezicht houden op de pilotevaluatie en verantwoordelijkheid nemen voor het doorlopende nauwkeurigheidsbeoordelingsproces.

IT en informatiebeveiliging: Dit team moet de haalbaarheid van technische integratie, beveiligingsarchitectuur en compatibiliteit met bestaande infrastructuur beoordelen voordat een aanbestedingsbeslissing wordt afgerond.

Juridisch adviseur: Juridisch adviseurs moeten leverancierscontracten, inclusief de verwerkersovereenkomst, beoordelen en de aansprakelijkheidspositie van de gemeente onder MDR, de AI Act en toepasselijk nationaal recht vaststellen.

Financiën en aanbesteding: Deze afdeling moet ervoor zorgen dat het aanbestedingsproces voldoet aan toepasselijke regels voor overheidsopdrachten, wat in EU-lidstaten doorgaans naleving van de Aanbestedingsrichtlijn betekent voor contracten boven drempelwaarden.

Vertegenwoordigers van klinisch personeel: Medewerkers moeten worden betrokken bij het definiëren van vereisten en het ontwerpen van de pilot. De beoordeling van WHO/Europa identificeert betrokkenheid van belanghebbenden als een belangrijke bepalende factor voor AI-adoptiesucces op systeemniveau. Dit geldt evenzeer op programmaniveau.

De businesscase voor goedkeuring moet het volgende behandelen:

• Gekwantificeerde vermindering van documentatielast voor verpleegkundig en gemeentelijk gezondheidspersoneel

• Personeelsbehoud en vermindering van burn-out als argument voor personeelsduurzaamheid

• Regelgevende naleving als risicomanagementverplichting, geen optionele verbetering

• Kosten van implementatie, inclusief training, integratie en doorlopende governance

• Risico's van niet handelen, waaronder aanhoudende documentatielast en bijbehorend personeelsverloop

Het AICare@EU-initiatief van de EU en EU4Health-financiering kunnen medefinancieringstrajecten bieden voor gemeenten in lidstaten. Beheerders moeten de actuele geschiktheidscriteria controleren als onderdeel van de financiële beoordeling.

Een pre-implementatiechecklist voor gemeentelijke gezondheidsbeheerders

De volgende checklist consolideert de belangrijkste beoordelingsvragen uit elk deel van deze gids. Het is bedoeld als een praktische referentie voor beheerders die van evaluatie naar aanbestedingsbeslissing gaan.

Regelgevende classificatie

• Heeft de leverancier een schriftelijke verklaring van het beoogde doel verstrekt?

• Is MDR-classificatie bepaald, en is de onderbouwing daarvan gedocumenteerd?

• Indien CE-gemarkeerd, is het actuele certificaat beschikbaar en geldig?

• Is de classificatie van de tool onder de EU AI Act beoordeeld?

AVG en gegevensbeheer

• Is een DPIA gestart en toegewezen aan de FG?

• Is een conforme verwerkersovereenkomst aanwezig of gereed voor ondertekening vóór livegang?

• Heeft de leverancier EU/EER-gegevensopslag voor opslag en verwerking bevestigd?

• Is een volledige subverwerkerlijst verkregen en beoordeeld?

• Is een datastroomkaart compleet en beoordeeld?

Beveiliging

• Heeft de leverancier actuele ISO 27001-certificering, en dekt het toepassingsgebied de relevante systemen?

• Zijn toegangscontroles, beschikbaarheid van auditlogs en tijdlijnen voor melding van datalekken schriftelijk bevestigd?

• Heeft de leverancier zijn penetratietestschema bekendgemaakt en resultaten beschikbaar gesteld?

• Zijn vereisten van het nationale kader voor gegevensbeveiliging in de gezondheidszorg beoordeeld en nageleefd?

Workflowaansluiting

• Is de tool getest of geïmplementeerd in gemeentelijke gezondheidszorg, thuiszorg of schoolgezondheidszorgsettings?

• Zijn prestatiegegevens beschikbaar uit die specifieke settings?

• Functioneert de tool in omstandigheden met lage connectiviteit of offline?

• Zijn verslagtemplates en gestructureerde output geschikt voor de contacttypen van de gemeente?

Personeelsgereedheid

• Is er een trainingsprogramma ontworpen voor het specifieke personeelsbestand (verpleegkundigen, wijkverpleegkundigen, gemeentelijke gezondheidswerkers)?

• Is verantwoordelijkheid voor verslagnauwkeurigheid duidelijk gecommuniceerd en gedocumenteerd?

• Is er een verandermanagementplan, inclusief klinische leiders en feedbackmechanismen?

Kwaliteit van klinische verslagen

• Zijn acceptatiedrempels voor nauwkeurigheid gedefinieerd voordat de pilot begint?

• Is er een gestructureerd pilotplan, inclusief onafhankelijke verslagbeoordeling?

• Is een doorlopend kwaliteitsbeoordelingsproces ingebouwd in het governanceraamwerk?

Taal en bevolkingsdiversiteit

• Is de tool gevalideerd in de talen en dialecten die aanwezig zijn in de bevolking van de gemeente?

• Is nauwkeurigheid getest met medewerkers en patiënten die representatief zijn voor de daadwerkelijke bevolking?

• Is de afhandeling van via tolk bemiddelde consulten gedocumenteerd en beoordeeld?

Patiëntendossiersysteem en IT-integratie

• Is compatibiliteit met het patiëntendossiersysteem bevestigd, en is het integratiemechanisme gedocumenteerd?

• Is een technische beoordeling van beperkingen van legacy-systemen voltooid?

• Is FHIR/HL7-compatibiliteit bevestigd waar relevant voor grensoverschrijdende gegevensuitwisseling?

Interne governance en aanbesteding

• Zijn alle vereiste interne belanghebbenden (FG, klinische governance, IT, juridisch, financiën) betrokken?

• Voldoet het aanbestedingsproces aan toepasselijke regels voor overheidsopdrachten?

• Is de businesscase voorbereid, waarbij zowel efficiëntiewinsten als risicomanagementverplichtingen worden behandeld?

Dit raamwerk structureert de complexiteit van het implementeren van AI-documentatie-assistentie in gemeentelijke volksgezondheidssettings in beoordeelbare, opeenvolgende vragen die beheerders systematisch kunnen doorlopen. De regelgevingsomgeving rond MDR, AVG en de EU AI Act is veeleisend, en het bewijs uit de hele WHO Europese Regio suggereert dat gezondheidssystemen op elk niveau nog steeds de governancecapaciteit ontwikkelen om hierin te navigeren. Beginnen met een duidelijk raamwerk, in plaats van een technologie-eerstbenadering, is het meest betrouwbare pad naar een implementatie die zowel juridisch solide als nuttig is voor het personeel en de gemeenschappen die het bedoeld is te dienen.

Veelgestelde vragen

▶ Waarom hebben gemeentelijke volksgezondheidsprogramma's een apart evaluatieraamwerk nodig voor AI-documentatietools?

Het meeste bewijs voor AI-documentatietools komt uit ziekenhuizen en huisartsenpraktijken, die vaste spreekkamers, toegewijde IT-infrastructuur en beschermde documentatietijd hebben. Gemeentelijke gezondheidszorg wordt doorgaans geleid door verpleegkundigen, verspreid over verschillende locaties en gebouwd rond korte, informele contacten zoals huisbezoeken en schoolgezondheidscontroles. Medewerkers verplaatsen zich tussen locaties, connectiviteit is wisselend en dezelfde persoon fungeert vaak tegelijkertijd als zorgverlener, zorgcoördinator en casemanager. Een tool die is gevalideerd in een ziekenhuissetting kan niet zonder meer geschikt worden geacht voor deze context, daarom is een op maat gemaakt beoordelingskader noodzakelijk.

▶ Wat doet een AI-documentatie-assistent daadwerkelijk in een gemeentelijke gezondheidssetting?

Een AI-documentatie-assistent luistert naar een klinisch gesprek, zet gesproken inhoud om naar tekst met behulp van spraak-naar-teksttechnologie (geautomatiseerde spraakherkenning) en genereert een gestructureerd klinisch verslag of samenvatting uit die transcriptie. Het interpreteert geen klinische bevindingen, suggereert geen diagnoses, beveelt geen behandelingen aan en markeert geen klinische risico's. Die functies vallen onder klinische beslissingsondersteuning, wat andere regelgevingsverplichtingen met zich meebrengt. Een praktische test: als het verwijderen van de output van de tool het oordeel van de zorgverlener onveranderd laat, functioneert het als documentatie-assistent. Als de output het besluit van de zorgverlener beïnvloedt, functioneert het als klinische beslissingsondersteuning.

▶ Hoe is de EU Medical Device Regulation (MDR) van toepassing op AI-documentatietools in gemeentelijke gezondheidszorg?

De centrale vraag onder de Medical Device Regulation (Verordening 2017/745) is of de tool bedoeld is voor de diagnose, preventie, monitoring, behandeling of verlichting van ziekte. Een tool die alleen klinische gesprekken vastlegt en structureert, zonder hun klinische inhoud te interpreteren, valt doorgaans buiten het toepassingsgebied van de MDR. Een tool die klinische aanbevelingen, risicoscores of diagnostische suggesties genereert, valt er wel onder. Wanneer een tool is geclassificeerd als medisch hulpmiddel, moet de fabrikant CE-markering hebben, een conformiteitsbeoordeling voltooien en voldoen aan technische documentatie en markttoezichtverplichtingen na het in de handel brengen. Beheerders moeten van elke leverancier een schriftelijke verklaring van het beoogde doel en bevestiging van MDR-classificatie opvragen vóór aanbesteding.

▶ Welke AVG-verplichtingen zijn van toepassing wanneer een gemeente een AI-documentatie-assistent gebruikt om patiëntgegevens te verwerken?

Een AI-documentatie-assistent verwerkt bijzondere categorieën persoonsgegevens onder de Algemene Verordening Gegevensbescherming (AVG), specifiek gezondheidsgegevens over identificeerbare personen. Dit activeert de strengste laag van AVG-verplichtingen. Gemeenten die optreden als verwerkingsverantwoordelijken moeten een rechtmatige grondslag voor verwerking bevestigen, doorgaans artikel 9(2)(h) gecombineerd met artikel 6(1)(e) voor de uitvoering van een publieke taak. Een verwerkersovereenkomst conform artikel 28 AVG moet aanwezig zijn voordat gegevens worden verwerkt. Beheerders moeten ook bevestigen dat patiëntgegevens binnen de EU of Europese Economische Ruimte worden opgeslagen en verwerkt, een volledige lijst van subverwerkers en hun locaties verkrijgen, en beleid voor gegevensbewaring en verwijdering documenteren.

▶ Welke beveiligingscertificeringen en controles moeten beheerders eisen van leveranciers van AI-documentatie?

ISO 27001 is de basiscertificering die beheerders moeten eisen. Het toont aan dat de leverancier een informatiebeveiligingsmanagementsysteem heeft geïmplementeerd dat onafhankelijk is geaudit. Daarnaast moeten beheerders schriftelijk bevestigen dat patiëntgegevens zijn versleuteld tijdens verzending en in rust, dat toegang tot patiëntgegevens binnen de leveranciersorganisatie wordt gecontroleerd en gelogd, dat de leverancier de AVG-vereiste kan ondersteunen om toezichthoudende autoriteiten binnen 72 uur na een datalek te informeren, en dat er regelmatig onafhankelijke penetratietesten worden uitgevoerd. Nationale kaders voor gegevensbeveiliging in de gezondheidszorg, zoals die worden beheerd door cyberbeveiligingsagentschappen in Frankrijk, Duitsland of Nederland, kunnen aanvullende eisen stellen bovenop ISO 27001.

▶ Waarom kan een in een ziekenhuis gevalideerde AI-documentatietool anders presteren in gemeentelijke gezondheidszorgsettings?

Gemeentelijke gezondheidszorg kent workflowkenmerken die niet voorkomen in ziekenhuis- of huisartsensettings. Huisbezoeken en schoolgezondheidscontroles vinden plaats in variabele akoestische omgevingen, met onbetrouwbare internettoegang en kortere, minder gestructureerde gesprekken dan ziekenhuisafspraken. Medewerkers vervullen vaak klinische, sociale zorg- en volksgezondheidsfuncties binnen één contact. Gedeelde of persoonlijke apparaten brengen aanvullende beveiligingsvragen met zich mee die vaste ziekenhuisapparaten niet kennen. Beheerders moeten leveranciers specifiek vragen of de tool is getest in gemeentelijke gezondheidszorg, thuiszorg of schoolgezondheidszorgcontexten, en prestatiegegevens uit die settings opvragen in plaats van uit ziekenhuisomgevingen.

▶ Wie is verantwoordelijk voor de nauwkeurigheid van AI-gegenereerde klinische verslagen in een door verpleegkundigen geleide gemeentelijke gezondheidsdienst?

De zorgverlener die het contact uitvoerde, behoudt volledige professionele en juridische verantwoordelijkheid voor de nauwkeurigheid van elk AI-gegenereerd klinisch verslag. Het AI-gegenereerde verslag is een concept voor beoordeling door de zorgverlener, geen definitief dossier. Dit moet duidelijk worden gecommuniceerd aan alle medewerkers vóór implementatie en worden opgenomen in trainingsmaterialen. Uit een cross-sectioneel onderzoek onder zorgprofessionals blijkt dat bekendheid met AI-tools en bewustzijn van institutioneel beleid beide laag waren, zelfs waar tools beschikbaar waren. Technische training over het gebruik van de tool is noodzakelijk, maar medewerkers hebben ook begeleide ervaring nodig om het kritische oordeel te ontwikkelen om te herkennen wanneer een AI-gegenereerd verslag niet nauwkeurig weergeeft wat er in het consult is gebeurd.

▶ Hoe moeten beheerders de nauwkeurigheid van AI-documentatietools evalueren voordat ze deze implementeren in een gemeentelijk gezondheidsprogramma?

Beheerders moeten vooraf definiëren hoe een bevredigend verslag eruitziet voor elk type contact in hun programma, inclusief welke velden aanwezig moeten zijn en welke weglatingen een materiële fout zouden vormen. Een tijdelijk beperkte pilot met een gedefinieerde groep medewerkers en contacttypen moet vervolgens worden uitgevoerd, met onafhankelijke beoordeling van AI-gegenereerde verslagen tegenover door zorgverleners geschreven verslagen of herinnering van zorgverleners, en gestructureerde registratie van fouten, weglatingen en hallucinaties (gevallen waarin de AI inhoud genereert die niet is gezegd). Acceptatiedrempels voor nauwkeurigheid moeten worden vastgesteld voordat de pilot begint, niet achteraf. Doorlopende kwaliteitsbeoordeling van een steekproef van AI-gegenereerde verslagen, uitgevoerd door een klinische governanceleider, moet vanaf het begin worden ingebouwd in het governanceraamwerk van het programma.

▶ Hoe moeten beheerders beoordelen of een AI-documentatietool taalkundig diverse gemeentelijke gezondheidspopulaties kan bedienen?

Gemeentelijke volksgezondheidsprogramma's bedienen vaak bevolkingsgroepen met diverse talen, dialecten en communicatiepatronen, met name in stedelijke gebieden met aanzienlijke migranten- of vluchtelingengemeenschappen. AI-documentatietools die goed presteren in standaard gesproken Nederlands, Duits of Engels kunnen aanzienlijk slechter presteren bij spraak met accent, regionale dialecten of consulten die via een tolk worden gevoerd. Beheerders moeten leveranciers vragen in welke talen en taalvarianten de tool is gevalideerd, wat het gedocumenteerde nauwkeurigheidsverschil is tussen standaard en niet-standaard spraak, en hoe via tolk bemiddelde consulten worden afgehandeld. Testen moeten medewerkers en patiënten omvatten die representatief zijn voor de daadwerkelijke bevolking van de gemeente, niet alleen de meerderheidstaalgroep.

▶ Welke interne belanghebbenden moeten worden betrokken bij het aanbesteden van een AI-documentatie-assistent voor een gemeentelijk gezondheidsprogramma?

De functionaris voor gegevensbescherming moet vanaf het begin worden betrokken en een gegevensbeschermingseffectbeoordeling uitvoeren of daarop toezicht houden, wat verplicht is onder artikel 35 AVG wanneer AI gezondheidsgegevens op schaal verwerkt. Een klinische governanceleider moet kwaliteitsnormen definiëren, toezicht houden op de pilot en verantwoordelijkheid nemen voor doorlopende nauwkeurigheidsbeoordeling. IT- en informatiebeveiligingsteams moeten technische integratie en infrastructuurcompatibiliteit beoordelen. Juridisch adviseurs moeten leverancierscontracten en de aansprakelijkheidspositie van de gemeente onder de Medical Device Regulation, de EU AI Act en toepasselijk nationaal recht beoordelen. Financiën en aanbesteding moeten naleving van regels voor overheidsopdrachten waarborgen. Vertegenwoordigers van klinisch personeel moeten vanaf het begin worden betrokken bij het definiëren van vereisten en het ontwerpen van de pilot.