AI consultant for healthcare: zelf doen of uitbesteden?

Vier manieren om AI in de zorg op te zetten

Een zorginstelling die met AI wil experimenteren, staat meestal voor dezelfde keuze: zet je een eigen data engineer erop, huur je een freelancer in, schakel je een groot adviesbureau in, of zoek je een AI consultant for healthcare die de sector al kent? We krijgen deze vraag vaak genoeg om te weten dat het antwoord van drie dingen afhangt: hoeveel tijd er is, hoe gevoelig de data is, en of het gaat om een eenmalig experiment of iets dat over twee jaar nog moet draaien.

Wat een AI consultant for healthcare toevoegt ten opzichte van een generalist

Het verschil zit zelden in de modellen. Vrijwel elke partij werkt met dezelfde basis: GPT, Claude, soms een fijngetraind model voor triage of documentclassificatie. Het verschil zit in de infrastructuur eromheen en in kennis van de sector. MIT Technology Review beschreef onlangs hoe AI inference andere eisen stelt dan de trainingsfase waar de meeste aandacht nog naar uitgaat, namelijk continue, verspreide workloads die gevoelig zijn voor vertraging. Het artikel noemt als voorbeeld een zorgsysteem dat miljoenen datapunten per seconde analyseert om medisch onderzoek te versnellen. Analist Jim McGregor van Tirias Research zegt het scherp: AI is geen enkele workload, het zijn er duizenden, soms miljoenen, en elk stelt andere eisen aan geheugen, opslag en netwerk.

Een voorbeeld dat we vaker zien: een team bouwt een chatbot die vragen van patiënten beantwoordt op basis van een kennisbank. In de demo, met een handvol testvragen, werkt het feilloos. Zodra honderd patiënten tegelijk inloggen na een nieuwsbericht over een uitbraak, blijkt de opslag niet ingericht op die piek en schiet de responstijd omhoog. Dat is precies het soort probleem waar de analyse van MIT Technology Review op wijst: geheugen en opslag zijn geen bijzaak bij AI, ze bepalen of een systeem een piek overleeft.

Voor een zorginstelling betekent dat concreet dat een consultant die alleen weet hoe je een chatbot bouwt, de helft van het probleem mist. Iemand die de zorg kent, houdt ook rekening met het EPD dat 's nachts onderhoud draait, met HL7- of FHIR-koppelingen die trager zijn dan verwacht, en met de AVG, die sinds 25 mei 2018 van kracht is en medische gegevens als bijzondere persoonsgegevens bestempelt. Dat laatste bepaalt waar data mag staan, wie erbij mag, en hoelang een log bewaard blijft, ook buiten de juridische afdeling.

Interne data engineer versus externe consultant

Een interne engineer kent de systemen, de politiek, en waar de data daadwerkelijk vandaan komt. Veel AI pilots in de zorg lopen vast doordat niemand precies weet welk team de brondata beheert, dus die kennis weegt zwaar. Wat een interne engineer meestal mist, is ervaring met het bouwen van AI pipelines zelf. Dat is een vak met eigen faalpatronen rond promptdrift, evaluatie en kosten per aanvraag.

Een externe consultant brengt die pipeline-ervaring wel mee, opgebouwd bij andere klanten, maar heeft in het begin geen idee hoe het EPD, het planningssysteem en de drie Excel-bestanden die iedereen stiekem gebruikt met elkaar samenhangen. De meest werkbare combinatie die we zien: een externe partij zet de architectuur neer en het eerste werkende systeem, een interne engineer neemt het onderhoud over zodra het draait.

Freelancer inhuren via een platform

Een freelancer is de goedkoopste ingang en vaak de snelste: geen aanbestedingstraject, geen accountmanager ertussen, gewoon een uurtarief en een startdatum volgende week. Voor een afgebakende klus, zoals het bouwen van één samenvattingstool voor ontslagbrieven, werkt dat prima.

Het risico zit in de opschaling. Zodra het prototype goed bevalt en de vraag komt om het uit te breiden naar drie afdelingen, blijkt de architectuur vaak op maat gemaakt voor de demo en niet geschikt voor honderden gebruikers tegelijk. Een freelancer met een agenda vol andere klussen is lastig te bereiken op het moment dat het misgaat. Vraag daarom naar een portfolio met zorgprojecten specifiek, en naar wie er inspringt als diegene ziek is of een ander project aanneemt.

Groot adviesbureau versus klein gespecialiseerd bureau

Een groot adviesbureau brengt naam en een compliance-raamwerk mee, handig als een raad van bestuur overtuigd moet worden. Het werk zelf wordt vaak gedaan door een team van junioren onder toezicht van één senior die twee dagen per week beschikbaar is. Dat hoeft geen probleem te zijn voor een strategisch advies. Voor een werkend systeem, met code die in productie draait en die iemand over een jaar nog moet kunnen aanpassen, is het een risico.

Qua doorlooptijd zien we vaak hetzelfde patroon: een groot bureau heeft eerst een intakefase van enkele weken nodig om de juiste specialisten vrij te maken, voordat er daadwerkelijk gebouwd wordt. Een klein bureau dat al zorgprojecten heeft gedaan, laat vaak binnen een week een eerste werkende versie zien, simpelweg omdat de mensen die het gesprek voeren dezelfde mensen zijn die de code schrijven.

Een klein, gespecialiseerd bureau heeft meestal geen compliance-afdeling van vijftig man, maar wel senioren die zelf de code schrijven en zelf in de zorgdata hebben gezeten. Vraag naar concrete voorbeelden uit de zorg specifiek, niet naar AI-projecten in het algemeen. Een supermarktketen of een verzekeraar heeft andere problemen dan een ziekenhuis of een huisartsenpraktijk.

Zelf bouwen, zonder hulp van buiten

Voor een interne tool, zoals het samenvatten van vergadernotities of het sorteren van binnenkomende post, is zelf bouwen vaak prima. Zodra patiëntdata in beeld komt, verandert dat. De meeste problemen die we tegenkomen zitten in de aanname dat een proof of concept met testdata zich hetzelfde gedraagt als een systeem met echte patiëntdossiers.

Bij onze AI diensten beginnen zorgtrajecten daarom standaard met een data-audit van twee weken, voordat er een regel productiecode wordt geschreven: welke data is er, wie mag erbij, en wat gebeurt er als het model het fout heeft.

Wat helpt bij elke keuze: laat de kandidaat, of dat nu een freelancer, een bureau of een interne kandidaat is, een bestaand zorgproject zien dat langer dan een jaar in productie draait. Een AI-project dat alleen als pilot heeft bestaan, vertelt weinig over wat er gebeurt zodra een systeem structureel met patiëntdata werkt, met updates van het EPD, wisselende personeelsbezetting en een IT-afdeling die andere prioriteiten heeft.

Kies je toch voor zelf bouwen, reserveer dan op zijn minst een aparte, afgeschermde omgeving voor patiëntdata, los van het pilotproject. Dat ene detail voorkomt het vaakst dat een proof of concept alsnog uitloopt op een privacy-incident.