Een klinisch beslissingsondersteunend hulpmiddel (software die patiëntgegevens analyseert om klinische aanbevelingen te genereren) kan elke softwarekwaliteitstest van een leverancier doorstaan en toch onveilig zijn voor de patiënten die een huisarts op een maandagochtend ziet. De logica kan foutloos werken. De interface kan responsief en intuïtief zijn. De datapijplijn kan volledig operationeel zijn. Maar als het onderliggende model is getraind op ziekenhuispatiënten, gevalideerd in een niet-Europees gezondheidssysteem of nooit getest op de ongedifferentieerde presentaties die de huisartsenpraktijk kenmerken, kan het hulpmiddel aanbevelingen doen die systematisch misleidend zijn in de context waarin het daadwerkelijk wordt gebruikt. Voor besluitvormers in de gezondheidszorg die deze hulpmiddelen evalueren, of dat nu op praktijk-, netwerk- of inkoopniveau is, is het begrijpen van wat rigoureuze validatie inhoudt inmiddels een kernverantwoordelijkheid binnen governance.

Waarom validatie niet hetzelfde is als softwaretesten

Softwaretesten bevestigt dat een systeem zich gedraagt zoals de ontwikkelaars bedoeld hebben. Klinische validatie stelt een andere vraag: levert het beoogde gedrag van het systeem veilige en effectieve uitkomsten op voor echte patiënten in een echte klinische omgeving?

Het onderscheid is belangrijk omdat een hulpmiddel technisch correct en toch klinisch schadelijk kan zijn. Een algoritme dat nauwkeurig een risicoscore berekent op basis van een dataset van Noord-Amerikaanse ziekenhuispatiënten, kan het risico systematisch onderschatten of overschatten in een Europese eerstelijnszorgpopulatie met andere demografische kenmerken, comorbiditeitspatronen en zorgzoekend gedrag. Een voorschrijfondersteunend hulpmiddel dat is gevalideerd in een tweedelijnszorgsetting kan waarschuwingen genereren die zijn afgestemd op door specialisten behandelde patiënten, wat leidt tot waarschuwingsmoeheid of gemiste signalen wanneer het wordt ingezet in de huisartsenpraktijk.

Een systematische review van ontwerpbenaderingen voor klinische beslissingsondersteunende systemen gepubliceerd in het Journal of Medical Internet Research identificeert vertrouwen van zorgverleners en verklaarbaarheid als centrale adoptie-uitdagingen. Dit zijn problemen die voortkomen uit validatiefouten, niet uit softwarefouten. Wanneer de aanbevelingen van een hulpmiddel niet overeenkomen met de klinische realiteit die een huisarts waarneemt, neemt het vertrouwen af, ongeacht of de software technisch correct functioneert.

Klinische validatie vereist bewijs dat een hulpmiddel nauwkeurige, veilige en klinisch geschikte uitkomsten produceert voor de specifieke populatie en setting waarin het zal worden gebruikt, niet alleen bewijs dat het überhaupt uitkomsten produceert.

Het regelgevingslandschap: waar de Medische Hulpmiddelenverordening de grens trekt

Niet elk klinisch beslissingsondersteunend hulpmiddel is een medisch hulpmiddel onder de EU Medische Hulpmiddelenverordening (MDR) 2017/745, maar een aanzienlijk en groeiend aantal wel. Het cruciale regelgevingsonderscheid is tussen hulpmiddelen die algemene klinische informatie verstrekken en hulpmiddelen die een klinische beslissing voor een individuele patiënt sturen of direct beïnvloeden.

Onder de Medische Hulpmiddelenverordening (MDR) voldoet een softwarehulpmiddel dat patiëntspecifieke gegevens analyseert om aanbevelingen te genereren voor diagnose, behandeling, risicostratificatie of voorschrijven waarschijnlijk aan de definitie van een medisch hulpmiddel. Eenmaal als zodanig geclassificeerd, moet het een CE-markering dragen. Dit vereist dat de fabrikant klinisch bewijs van veiligheid en prestaties aantoont voordat het hulpmiddel op de Europese markt wordt gebracht.

Vanaf 2026 worden fabrikanten van AI-ondersteunde medische hulpmiddelen geconfronteerd met dubbele naleving onder zowel MDR als de EU AI-verordening. De AI-verordening classificeert AI-gebaseerde klinische beslissingsondersteunende systemen automatisch als hoogrisico. Dit activeert verplichte conformiteitsbeoordeling, biasmonitoring, transparantieverplichtingen en eisen voor menselijk toezicht die verder gaan dan wat MDR alleen vereiste. Het MyHealth@EU-nalevingskader voegt een extra laag toe voor hulpmiddelen die in EU-lidstaten opereren, waarbij AI-specifieke metadata en herkomstdocumentatie moeten worden opgenomen in klinische gegevensuitwisselingsberichten.

CE-markering is geen garantie voor geschiktheid in een specifieke klinische context. Het is een verklaring van de fabrikant dat het hulpmiddel voldoet aan de toepasselijke regelgevingsvereisten. CE-markering is een noodzakelijke voorwaarde voor rechtmatige implementatie in Europa, maar geen voldoende voorwaarde voor klinische adoptie in een bepaalde setting.

Een peer-reviewed analyse gepubliceerd in npj Health Systems identificeert significante hiaten in de huidige EU MDR-normen voor datagestuurde en adaptieve AI-systemen. Deze hiaten betekenen dat sommige hulpmiddelen regelgevingscompliant kunnen zijn terwijl ze nog steeds de rigoureuze klinische validatie missen die implementatie in de eerstelijnszorg vereist.

Wat klinische validatie daadwerkelijk inhoudt

Klinische validatie is een gestructureerd proces om aan te tonen dat een hulpmiddel presteert zoals bedoeld voor een gedefinieerde patiëntenpopulatie. Voor klinische beslissingsondersteunende hulpmiddelen omvatten de kerncomponenten:

• Klinisch nauwkeurigheidsbewijs: Aangetoonde prestaties ten opzichte van een referentiestandaard, bijvoorbeeld door risicoscores te vergelijken met onafhankelijk gevalideerde algoritmen, of aanbevelingen te vergelijken met deskundige klinische beoordeling. Een vroeg voorbeeld van deze methodologie is te vinden in een mixed-methods evaluatie van een cardiovasculair klinisch beslissingsondersteunend systeem in de eerstelijnszorg, waarbij het risicobeoordelingsalgoritme van het hulpmiddel werd vergeleken met een onafhankelijk geprogrammeerde versie (intraclass-correlatiecoëfficiënt 0,999) en het managementadvies werd getoetst aan aanbevelingen van artsen op basis van handmatige richtlijnbeoordeling.

• Representatieve populatiegegevens: Bewijs dat de validatiedataset de demografische, klinische en sociaaleconomische kenmerken weerspiegelt van de populatie waarin het hulpmiddel zal worden gebruikt. Validatie op een smalle of niet-representatieve dataset beperkt de generaliseerbaarheid van prestatieclaims.

• Onafhankelijke beoordeling: Interne validatie door de fabrikant is noodzakelijk, maar niet voldoende. Peer-reviewed publicatie, onafhankelijke audit of evaluatie door derden biedt een controle op methodologische kwaliteit en de integriteit van prestatieclaims.

• Prospectieve of retrospectieve studies in de doelsetting: Retrospectieve analyse van bestaande gegevens kan basisprestaties vaststellen, maar prospectieve studies, idealiter in de daadwerkelijke zorgsetting, leveren sterker bewijs van klinisch nut in de praktijk.

Validatie uitgevoerd in één land of zorgcontext is niet automatisch overdraagbaar. Een scoping review van de implementatie van astma-klinische beslissingsondersteunende systemen in de eerstelijnszorg, die 18 trials omvatte in onder andere het VK en Spanje, illustreert hoe implementatie-uitkomsten aanzienlijk kunnen variëren tussen gezondheidssystemen, zelfs binnen Europa, afhankelijk van workflowintegratie, kenmerken van de patiëntenpopulatie en lokale klinische richtlijnen.

Hoe de eerstelijnszorg specifieke validatie-uitdagingen introduceert

De huisartsenpraktijk kent omstandigheden die structureel verschillen van de ziekenhuis- en specialistische settings waarin veel klinische beslissingsondersteunende hulpmiddelen voor het eerst worden ontwikkeld en gevalideerd. Deze verschillen bepalen of de prestaties van een hulpmiddel in de ene setting voorspellend zijn voor de prestaties in een andere.

De kenmerken van de eerstelijnszorg die validatie-overdracht bemoeilijken zijn onder meer:

• Ongedifferentieerde presentaties: Huisartsen zien patiënten voordat een diagnose is gesteld. Een hulpmiddel dat is gevalideerd op gecodeerde diagnoses uit tweedelijnszorgdossiers kan slecht presteren bij de ambigue, symptoomgerichte presentaties die in een huisartsenpraktijk voorkomen.

• Tijdsdruk en cognitieve belasting: Hoge zorgvraag en gefragmenteerde structuren zijn kenmerkend voor eerstelijnszorgsystemen in heel Europa. Een hulpmiddel dat veel gegevensinvoer vereist of de klinische workflow onderbreekt, kan ertoe leiden dat gebruikers omwegen zoeken die de beoogde functie en gevalideerde prestaties ondermijnen.

• Diversiteit en niet-geselecteerde demografische kenmerken: Ziekenhuisvalidatiepopulaties worden geselecteerd via verwijzingstrajecten en opnamecriteria. Huisartsenpopulaties niet. Leeftijd, multimorbiditeit, gezondheidsvaardigheden en sociaaleconomische diversiteit in de eerstelijnszorg kunnen sterk afwijken van ziekenhuiscohorten, wat zowel de prevalentie van aandoeningen als de basispercentages waarop voorspellende algoritmen zijn gebaseerd beïnvloedt.

• Integratie met bestaande systemen: Een kwalitatieve studie van een prototype klinisch beslissingsondersteunend systeem in de Duitse eerstelijnszorg, het SATURN-project, liet zien dat iteratieve co-ontwikkeling met huisartsen en gebruikerstesten essentieel waren voor het identificeren van implementatiebarrières die niet zichtbaar zouden zijn geweest in een gecontroleerde validatiestudie. Technische prestaties en klinische bruikbaarheid zijn gerelateerde maar verschillende dimensies van validatie.

Een scoping review van voorschrijf-klinische beslissingsondersteunende systemen in de eerstelijnszorg gepubliceerd begin 2025 brengt bewijshiaten op dit gebied in kaart. Daarbij wordt vastgesteld dat impactgegevens van implementatie voor eerstelijnszorg-voorschrijfhulpmiddelen beperkt blijven en dat studieontwerpen sterk variëren in strengheid, waardoor directe vergelijking van validatieclaims van leveranciers lastig is.

De rol van real-world bewijs na implementatie

Pre-implementatievalidatie stelt een prestatiebasislijn vast onder gecontroleerde of semi-gecontroleerde omstandigheden. Het kan niet elk klinisch scenario, populatieverschuiving of richtlijnwijziging voorzien die zal optreden zodra een hulpmiddel in actief gebruik is. Daarom is post-market klinische follow-up (PMCF, een verplichte verplichting onder MDR voor medische hulpmiddelsoftware) geen optionele kwaliteitsverbeteringsactiviteit.

PMCF vereist dat fabrikanten systematisch real-world bewijs van hulpmiddelprestaties na implementatie verzamelen en beoordelen. Voor klinische beslissingsondersteunende hulpmiddelen betekent dit:

• Voortdurende monitoring van aanbevelingsnauwkeurigheid en waarschuwingspercentages in de dagelijkse klinische praktijk

• Surveillance op opkomende veiligheidssignalen, inclusief patronen van overschrijving door zorgverleners of niet-gebruik die op systematische fouten kunnen wijzen

• Periodieke herbeoordeling van prestaties naarmate patiëntenpopulaties veranderen of klinische richtlijnen worden bijgewerkt

• Documentatie van bevindingen en, waar nodig, het nemen van corrigerende maatregelen

De eisen van de EU AI-verordening voor continue post-market risicobeoordeling versterken en verbreden deze verplichtingen voor AI-geclassificeerde hulpmiddelen, waarbij incidentmonitoring en afstemming met de opkomende Europese gezondheidsdatainfrastructuur verplicht zijn.

Besluitvormers in de gezondheidszorg moeten leveranciers niet alleen vragen welke pre-implementatievalidatie is uitgevoerd, maar ook welke post-market klinische follow-up infrastructuur aanwezig is en hoe bevindingen worden teruggekoppeld naar implementerende organisaties. Een leverancier zonder een duidelijk post-implementatiemonitoringplan vormt een governancerisico en een klinisch risico.

Real-world bewijsverzameling in de eerstelijnszorg is structureel lastig. Een hoog patiëntvolume, variabele datakwaliteit in patiëntendossiersystemen en het ontbreken van gestandaardiseerde uitkomstmetingen maken het uitdagend om subtiele prestatiedegradatie in geïmplementeerde klinische beslissingsondersteunende systemen te detecteren. Dit vermindert de verplichting om dergelijk bewijs te verzamelen niet. Het betekent wel dat de kwaliteit van post-market klinische follow-up plannen aanzienlijk varieert en dus kritisch moet worden beoordeeld.

Datavereisten: AVG, gegevensopslag en transparantie van trainingsgegevens

De kwaliteit van een klinisch beslissingsondersteunend hulpmiddel is onlosmakelijk verbonden met de kwaliteit, herkomst en representativiteit van de gegevens waarop het is getraind en getest. Voor Europese besluitvormers in de gezondheidszorg zijn drie datagerelateerde vragen bijzonder belangrijk.

AVG-naleving en rechtmatig datagebruik: Trainingsgegevens voor klinische AI moeten rechtmatig zijn verkregen. Onder de Algemene Verordening Gegevensbescherming (AVG) vereist dit doorgaans expliciete toestemming van de patiënt, een legitieme wettelijke basis voor het verwerken van gezondheidsgegevens, of het gebruik van gegevens die op passende wijze zijn geanonimiseerd. Leveranciers moeten kunnen aantonen, niet alleen beweren, dat hun trainingsgegevens zijn verkregen in overeenstemming met de toepasselijke wetgeving inzake gegevensbescherming. Het kader van de Europese Commissie voor AI in de gezondheidszorg positioneert de Europese Gezondheidsgegevensruimte (EHDS) als het primaire mechanisme voor het rechtmatig gebruik van gezondheidsgegevens voor AI-training en -evaluatie over lidstaten heen. De EHDS-verordening treedt in 2025 in werking, met gefaseerde implementatie over de lidstaten in de daaropvolgende jaren.

EU-gegevensopslag: Waar patiëntgegevens worden verwerkt tijdens inferentie (wanneer het hulpmiddel de gegevens van een echte patiënt analyseert om een aanbeveling te genereren) is belangrijk voor AVG-naleving. Gegevens die buiten de EU of Europese Economische Ruimte worden verwerkt, zijn onderworpen aan overdrachtsbeperkingen tenzij adequate waarborgen aanwezig zijn. Besluitvormers in de gezondheidszorg moeten bevestigen dat de verwerkingsinfrastructuur van een leverancier voldoet aan EU-gegevensopslagvereisten, niet alleen dat de leverancier AVG-naleving in algemene termen claimt.

Representativiteit en bias van trainingsgegevens: Een hulpmiddel dat voornamelijk is getraind op gegevens van één demografische groep, één gezondheidssysteem of één ziekteprevalentiecontext kan anders, en minder veilig, presteren wanneer het wordt toegepast op een andere populatie. Dubbele nalevingsrichtlijnen voor AI-medische hulpmiddelen onder MDR en de AI-verordening vereisen nu dat fabrikanten biasmonitoring documenteren en aantonen dat trainingsgegevens representatief waren voor de beoogde gebruikspopulatie. Besluitvormers moeten leveranciers vragen deze documentatie te verstrekken in plaats van algemene garanties te accepteren.

Wat te vragen aan een leverancier voordat een klinisch beslissingsondersteunend hulpmiddel wordt geadopteerd

De volgende vragen bieden een praktisch evaluatiekader voor huisartsen, praktijkmanagers en klinische leiders die een klinisch beslissingsondersteunend hulpmiddel beoordelen voordat ze het adopteren. Ze dekken de aspecten die het meest waarschijnlijk hiaten blootleggen tussen de claims van een leverancier en de degelijkheid van hun bewijsbasis.

Regelgevingsstatus:

• Is dit hulpmiddel geclassificeerd als een medisch hulpmiddel onder EU MDR 2017/745? Zo ja, wat is de classificatie (Klasse I, IIa, IIb of III)?

• Draagt het een CE-markering en kunt u de Conformiteitsverklaring verstrekken?

• Is het beoordeeld onder de hoogrisicoclassificatie van de EU AI-verordening? Zo ja, welke conformiteitsbeoordeling is afgerond?

Klinisch bewijs:

• Welke klinische validatiestudies zijn uitgevoerd en zijn deze gepubliceerd in peer-reviewed tijdschriften?

• Zijn validatiestudies uitgevoerd in Europese eerstelijnszorgsettings, of in andere zorgcontexten?

• Wat waren de kenmerken van de validatiepopulatie, inclusief leeftijd, comorbiditeitsprofiel, etniciteit en gezondheidssysteem?

Prestaties en transparantie:

• Welke prestatiemetrieken worden gerapporteerd (sensitiviteit, specificiteit, positief voorspellende waarde, waarschuwingspercentages)?

• Kan het hulpmiddel zijn aanbevelingen uitleggen in termen die een zorgverlener kan beoordelen? Is de modellogica transparant of een black box?

• Hoe presteert het hulpmiddel bij verschillende demografische subgroepen?

Post-implementatie:

• Welk post-market klinisch follow-up plan is er en hoe worden bevindingen gerapporteerd aan implementerende organisaties?

• Hoe worden modelupdates beheerd en vindt hervalidatie plaats voordat updates worden geïmplementeerd?

Data en integratie:

• Waar worden patiëntgegevens verwerkt en voldoet dit aan EU-gegevensopslagvereisten?

• Kan het hulpmiddel integreren met ons bestaande patiëntendossiersysteem zonder aanzienlijke extra gegevensinvoer te vereisen?

• Wat is de informatiebeveiligingscertificering van de leverancier (bijvoorbeeld ISO 27001)?

Rode vlaggen: wanneer validatieclaims van een leverancier nader onderzocht moeten worden

Sommige validatieclaims zijn technisch correct maar praktisch misleidend. De volgende patronen moeten besluitvormers in de gezondheidszorg aanzetten tot nader onderzoek.

Validatie uitsluitend buiten Europa uitgevoerd. Een hulpmiddel dat is gevalideerd in de Verenigde Staten, Australië of een ander niet-Europees gezondheidssysteem kan zijn getest op populaties met andere ziekteprevalentie, zorgtrajecten en klinische coderingspraktijken. Dit diskwalificeert het bewijs niet automatisch, maar het vereist dat de leverancier aantoont waarom de bevindingen overdraagbaar zijn, niet simpelweg beweert dat ze dat zijn. Bewijs uit implementatie van astma-klinische beslissingsondersteunende systemen in Europese eerstelijnszorgsettings toont aan dat uitkomsten zelfs binnen Europa variëren, waardoor niet-Europese validatie een wezenlijke beperking is.

Validatie alleen op tweedelijnszorg- of specialistische populaties. Ziekenhuispatiënten en verwezen specialistische patiënten zijn niet representatief voor de ongedifferentieerde populatie die zich presenteert in de huisartsenpraktijk. Een hulpmiddel dat uitsluitend in deze settings is gevalideerd, is niet getest op de patiënten waarvoor een huisarts het daadwerkelijk zal gebruiken.

Afwezigheid van onafhankelijke peer review. Interne validatierapporten van de fabrikant zijn niet gelijkwaardig aan peer-reviewed publicatie of onafhankelijke audit. Als een leverancier geen extern beoordeeld bewijs kan overleggen, moet de validatiebasis als voorlopig worden beschouwd.

Ondoorzichtige modellogica. Als een leverancier niet kan of wil uitleggen hoe het hulpmiddel tot zijn aanbevelingen komt, kunnen zorgverleners niet beoordelen of een aanbeveling geschikt is voor een specifieke patiënt. Verklaarbare AI wordt in de literatuur over ontwerp van klinische beslissingsondersteunende systemen geïdentificeerd als een voorwaarde voor vertrouwen van zorgverleners en veilige adoptie; het is geen wenselijke functie maar een functionele vereiste.

Geen duidelijk post-market klinisch follow-up plan. Een leverancier die niet kan beschrijven hoe zij real-world prestaties na implementatie zullen monitoren, heeft zijn klinische bewijsverplichtingen onder MDR niet vervuld. Dit is een regelgevingshiaat en een klinisch risico.

Claims van AI-verordening-naleving zonder details. Gezien het feit dat conformiteitsbeoordelingsvereisten van de AI-verordening voor hoogrisicosystemen biasmonitoring, transparantiedocumentatie en menselijke toezichtmechanismen omvatten, moet een algemene claim van naleving zonder ondersteunende documentatie als niet-geverifieerd worden beschouwd.

De inkoop- en governancelaag: wie er nog meer betrokken moet zijn

Het adopteren van een klinisch beslissingsondersteunend hulpmiddel is geen beslissing die kan of zou moeten rusten bij een enkele huisarts of praktijkmanager. Het omvat klinische, juridische, informatiegovernance- en organisatorische risicodimensies die input van meerdere rollen vereisen.

Onderzoek naar implementatie van klinische beslissingsondersteunende systemen in de Nederlandse eerstelijnszorg identificeert betrokkenheid van meerdere belanghebbenden als een van de twee kernmechanismen die succesvolle implementatie ondersteunen, naast iteratieve co-ontwikkeling. De studie vond dat het betrekken van multi-level, innovatieve en invloedrijke belanghebbenden vanaf het begin, en het handhaven van afstemming via een coördinerende actor, praktische voorwaarden waren voor duurzame implementatie. Beslissingen zonder deze brede input brachten later vaak problemen aan het licht, tegen hogere kosten.

In Europese gezondheidssystemen omvatten de governancerollen die doorgaans betrokken zijn bij de inkoop van klinische beslissingsondersteunende systemen:

• Klinische veiligheidsmedewerkers: Verantwoordelijk voor het beoordelen van klinisch risico en ervoor zorgen dat de implementatie van een hulpmiddel geen patiëntveiligheidsrisico's introduceert. In Engeland is deze functie geformaliseerd onder de DCB0160 klinische risicomanagementstandaard. Gelijkwaardige kaders bestaan in EU-lidstaten.

• Informatiegovernance-leiders: Verantwoordelijk voor het beoordelen van AVG-naleving, gegevensverwerkingsovereenkomsten en gegevensopslag. Gegevensverwerkingsovereenkomsten van leveranciers moeten door deze functie worden beoordeeld voordat patiëntgegevens met een hulpmiddel worden gedeeld.

• Inkooporganen en gezondheidssysteemaankopers: In publiek gefinancierde Europese gezondheidssystemen omvat inkoop van klinische software doorgaans formele aanbestedingsprocessen, klinische evaluatiepanels en budgetimpactbeoordelingen. Validatiebewijs moet als onderdeel van deze processen worden ingediend, niet als een postcontractuele overweging worden behandeld.

• Klinische informatica- en patiëntendossiersysteemteams: Integratie met bestaande patiëntendossiersystemen is een technische en klinische governancevraag. Een hulpmiddel dat niet betrouwbaar toegang kan krijgen tot de benodigde gegevens, of dat nieuwe gegevensinvoerlasten introduceert, zal niet presteren zoals gevalideerd.

Het pre-implementatie evaluatiekader voorgesteld in het RISED-model voor hoogrisico AI-beslissingsondersteunende systemen in de gezondheidszorg adviseert om conformiteitsbeoordeling, transparantiebeoordeling en ontwerp van menselijk toezicht te behandelen als geïntegreerde onderdelen van één pre-implementatieproces, niet als opeenvolgende stappen beheerd door afzonderlijke teams. Voor besluitvormers in de gezondheidszorg betekent dit het opzetten van een cross-functioneel evaluatieproces voordat een inkoopbeslissing wordt genomen, niet nadat een contract is getekend.

Validatiebewijs is in deze context geen document om te archiveren. Het is de basis waarop klinische governance, patiëntveiligheid en organisatorische verantwoordelijkheid rusten.

Veelgestelde vragen

▶ Wat is het verschil tussen softwaretesten en klinische validatie voor een klinisch beslissingsondersteunend hulpmiddel?

Softwaretesten bevestigt dat een systeem zich gedraagt zoals de ontwikkelaars bedoeld hebben. Klinische validatie vraagt of dat beoogde gedrag veilige en effectieve uitkomsten oplevert voor echte patiënten in een echte klinische omgeving. Een hulpmiddel kan technisch correct en toch klinisch schadelijk zijn. Bijvoorbeeld, een algoritme dat nauwkeurig een risicoscore berekent op basis van Noord-Amerikaanse ziekenhuisgegevens kan het risico systematisch onderschatten of overschatten in een Europese eerstelijnszorgpopulatie met andere demografische kenmerken en zorgzoekend gedrag.

▶ Wanneer kwalificeert een klinisch beslissingsondersteunend hulpmiddel als een medisch hulpmiddel onder EU-regelgeving?

Onder de EU Medische Hulpmiddelenverordening (MDR) 2017/745 voldoet een softwarehulpmiddel dat patiëntspecifieke gegevens analyseert om aanbevelingen te genereren voor diagnose, behandeling, risicostratificatie of voorschrijven waarschijnlijk aan de definitie van een medisch hulpmiddel. Eenmaal als zodanig geclassificeerd, moet het een CE-markering dragen. Dit vereist dat de fabrikant klinisch bewijs van veiligheid en prestaties aantoont voordat het hulpmiddel op de Europese markt wordt gebracht. Vanaf 2026 worden AI-ondersteunde medische hulpmiddelen ook geconfronteerd met dubbele naleving onder zowel MDR als de EU AI-verordening.

▶ Garandeert CE-markering dat een klinisch beslissingsondersteunend hulpmiddel veilig is om te gebruiken in mijn praktijk?

Nee. CE-markering is een verklaring van de fabrikant dat het hulpmiddel voldoet aan de toepasselijke regelgevingsvereisten. Het is een noodzakelijke voorwaarde voor rechtmatige implementatie in Europa, maar geen voldoende voorwaarde voor klinische adoptie in een specifieke setting. Een peer-reviewed analyse gepubliceerd in npj Health Systems identificeert significante hiaten in de huidige EU MDR-normen voor datagestuurde en adaptieve AI-systemen, wat betekent dat sommige hulpmiddelen regelgevingscompliant kunnen zijn terwijl ze nog steeds de rigoureuze klinische validatie missen die implementatie in de eerstelijnszorg vereist.

▶ Waarom is het valideren van een klinisch beslissingsondersteunend hulpmiddel voor de huisartsenpraktijk bijzonder uitdagend?

De huisartsenpraktijk kent omstandigheden die structureel verschillen van de ziekenhuis- en specialistische settings waar veel hulpmiddelen voor het eerst worden ontwikkeld. Huisartsen zien patiënten voordat een diagnose is gesteld, dus een hulpmiddel dat is gevalideerd op gecodeerde diagnoses uit tweedelijnszorgdossiers kan slecht presteren bij de ambigue, symptoomgerichte presentaties die in een huisartsenpraktijk voorkomen. Eerstelijnszorgpopulaties zijn bovendien diverser in leeftijd, multimorbiditeit en sociaaleconomische achtergrond dan ziekenhuiscohorten, wat de basispercentages waarop voorspellende algoritmen zijn gebaseerd beïnvloedt.

▶ Wat betekent post-market klinische follow-up voor klinische beslissingsondersteunende hulpmiddelen, en waarom is het belangrijk?

Post-market klinische follow-up (PMCF) is een verplichte verplichting onder MDR voor medische hulpmiddelsoftware. Het vereist dat fabrikanten systematisch real-world bewijs van hulpmiddelprestaties na implementatie verzamelen en beoordelen. Voor klinische beslissingsondersteunende hulpmiddelen omvat dit voortdurende monitoring van aanbevelingsnauwkeurigheid en waarschuwingspercentages, surveillance op patronen van overschrijving door zorgverleners die op systematische fouten kunnen wijzen, en periodieke herbeoordeling naarmate patiëntenpopulaties veranderen of klinische richtlijnen worden bijgewerkt. Een leverancier zonder een duidelijk post-implementatiemonitoringplan vormt een governancerisico en een klinisch risico.

▶ Welke datagerelateerde vragen moeten besluitvormers in de gezondheidszorg stellen voordat ze een klinisch beslissingsondersteunend hulpmiddel adopteren?

Drie vragen zijn bijzonder belangrijk. Ten eerste: zijn de trainingsgegevens rechtmatig verkregen onder de Algemene Verordening Gegevensbescherming (AVG), wat doorgaans expliciete toestemming van de patiënt, een legitieme wettelijke basis of passende anonimisering vereist? Ten tweede: waar worden patiëntgegevens verwerkt tijdens inferentie en voldoet dit aan EU-gegevensopslagvereisten? Ten derde: verstrekt de leverancier documentatie die aantoont dat trainingsgegevens representatief waren voor de beoogde gebruikspopulatie en dat biasmonitoring aanwezig is? Algemene garanties van AVG-naleving zijn geen vervanging voor specifieke antwoorden op elk van deze vragen.

▶ Wat zijn de rode vlaggen die nader onderzoek van validatieclaims van een leverancier moeten uitlokken?

Verschillende patronen moeten nader onderzoek uitlokken. Validatie uitsluitend buiten Europa uitgevoerd is mogelijk niet overdraagbaar naar Europese eerstelijnszorgpopulaties. Validatie alleen op tweedelijnszorg- of specialistische populaties betekent dat het hulpmiddel niet is getest op de ongedifferentieerde patiënten waarvoor een huisarts het daadwerkelijk zal gebruiken. Een afwezigheid van onafhankelijke peer review betekent dat de bewijsbasis als voorlopig moet worden beschouwd. Ondoorzichtige modellogica voorkomt dat zorgverleners kunnen beoordelen of een aanbeveling geschikt is voor een specifieke patiënt. En een leverancier die zijn post-market klinisch follow-up plan niet kan beschrijven, heeft zijn klinische bewijsverplichtingen onder MDR niet vervuld.

▶ Wie moet betrokken zijn bij de beslissing om een klinisch beslissingsondersteunend hulpmiddel te adopteren?

Het adopteren van een klinisch beslissingsondersteunend hulpmiddel is geen beslissing die kan rusten bij een enkele huisarts of praktijkmanager. Het omvat klinische, juridische, informatiegovernance- en organisatorische risicodimensies. De governancerollen die doorgaans betrokken zijn omvatten klinische veiligheidsmedewerkers, informatiegovernance-leiders, inkooporganen en klinische informaticateams verantwoordelijk voor patiëntendossiersysteemintegratie. Onderzoek naar implementatie van klinische beslissingsondersteunende systemen in de Nederlandse eerstelijnszorg identificeert betrokkenheid van meerdere belanghebbenden als een van de twee kernmechanismen die succesvolle implementatie ondersteunen, naast iteratieve co-ontwikkeling.

▶ Welk klinisch bewijs moet een leverancier kunnen verstrekken voordat een hulpmiddel wordt geadopteerd?

Leveranciers moeten peer-reviewed publicaties van klinische validatiestudies kunnen overleggen, details van de validatiepopulatie inclusief leeftijd, comorbiditeitsprofiel, etniciteit en gezondheidssysteem, en prestatiemetrieken zoals sensitiviteit, specificiteit en positief voorspellende waarde. Studies uitgevoerd in Europese eerstelijnszorgsettings wegen zwaarder dan die uit andere zorgcontexten. Interne validatierapporten van de fabrikant zijn niet gelijkwaardig aan onafhankelijk beoordeeld bewijs en moeten als voorlopig worden beschouwd als externe beoordeling ontbreekt.

▶ Hoe verandert de EU AI-verordening nalevingsvereisten voor klinische beslissingsondersteunende hulpmiddelen?

De EU AI-verordening classificeert AI-gebaseerde klinische beslissingsondersteunende systemen automatisch als hoogrisico. Dit activeert verplichte conformiteitsbeoordeling, biasmonitoring, transparantieverplichtingen en eisen voor menselijk toezicht die verder gaan dan wat MDR alleen vereiste. Vanaf 2026 worden fabrikanten van AI-ondersteunde medische hulpmiddelen geconfronteerd met dubbele naleving onder zowel MDR als de AI-verordening. Een algemene claim van AI-verordening-naleving zonder ondersteunende documentatie moet als niet-geverifieerd worden beschouwd, gezien het feit dat conformiteitsbeoordelingsvereisten biasmonitoring, transparantiedocumentatie en menselijke toezichtmechanismen omvatten.