De dokter die je kent versus het algoritme dat iedereen kent
Wat weet AI over jou dat jouw huisarts niet weet — en wat weet jouw huisarts over jou dat AI nooit zal weten?
---
Stel: je zit al een halfuur in de wachtkamer. Je bent een vrouw van 52, licht overgewicht, niet-roker. Geen familiegeschiedenis van hartproblemen. Je klacht: vermoeidheid, een drukkend gevoel op de borst, en slecht slapen. Drie maanden lang al.
Het algoritme — als het die gegevens zou zien — zou je classificeren als laag risico voor een hartaanval. Je past niet in het standaardprofiel: geen man van boven de vijftig, geen uitstralende pijn in de linkerarm, geen pieken op het ECG. Statistisch gezien ben je iemand die misschien wat meer beweging nodig heeft, of last heeft van de overgang.
Dan stapt je huisarts de spreekkamer in. Hij ziet je al dertien jaar. Hij ziet ook iets anders: dat je iets bleker bent dan normaal. Dat je trager de stoel in gaat zitten dan de vorige keer. Dat je antwoorden korter zijn. "Laten we even een bloedafname doen," zegt hij. "En een hartfilmpje."
Twee dagen later belt hij je op. Het filmpje zag er goed uit, maar de enzymwaarden niet. Je had een stille hartaanval gehad.
---
Dit verhaal is verzonnen. Maar het type atypische hartklacht bij vrouwen is allesbehalve zeldzaam — en het is precies het soort geval waarbij AI het hardst tekortschiet, en een huisarts die jou kent het verschil kan maken.
Dat gezegd hebbende: er is ook een ander verhaal. Een dat over 42.000 borstscans gaat.
Wat AI al doet in Nederland — en goed ook
In 2025 publiceerde het Radboud Universitair Medisch Centrum de resultaten van een grote studie in The Lancet Digital Health. Onderzoekers analyseerden 42.000 mammografische borstscans uit het Utrechtse bevolkingsonderzoek, en volgden de vrouwen bijna vier-en-een-half jaar. De conclusie was helder: één radioloog die AI als tweede lezer gebruikte, detecteerde meer tumoren dan twee radiologen die zonder AI werkten. En het ging niet alleen om aantallen — de gevonden tumoren waren in een vroeger stadium.
Dit is geen toekomstmuziek. Radboudumc doet dit in de praktijk. Vijf Nederlandse ziekenhuizen werken samen in de AI for Imaging-pilot, met financiering van Zorgverzekeraars Nederland, om AI-diagnostiek bereikbaar te maken voor radiologen door het hele land.
De Europese MASAI-trial, de grootste gerandomiseerde studie naar AI in bevolkingsonderzoek ooit, bevestigt het beeld in drie getallen: 29 procent meer kankerdetectie, 44 procent minder werklast voor radiologen — en in de jaren ná de screening ook 12 procent minder agressieve kankers. Dat laatste is het meest veelzeggend: niet alleen meer opgespoord, maar eerder opgespoord, in een stadium dat behandeling minder ingrijpend maakt.
AI kan dit omdat beelddiagnostiek een taak is waarvoor AI bij uitstek geschikt is: patroonherkenning op consistente, goed-gecodeerde data, op schaal die een mens niet bijhoudt. Een radioloog leest op een drukke dag honderden scans. Een algoritme leest er miljoenen en wordt er op getraind. Vermoeidheid speelt geen rol. Consistentie is gewaarborgd.
Hetzelfde geldt voor zeldzame ziekten. Patiënten met een zeldzame aandoening wachten gemiddeld zes jaar op een diagnose — niet omdat hun artsen onbekwaam zijn, maar omdat geen enkele individuele arts alle 7.000 bekende zeldzame ziekten kan overzien. AI-systemen die klinische data koppelen aan genetische informatie en wetenschappelijke literatuur kunnen dat wel. Ze zijn niet wijzer dan een specialist. Ze lezen alleen meer.
Het blinde-vlek-probleem: wanneer jij buiten het patroon valt
Maar hier begint het ingewikkeld te worden.
Machine learning-modellen leren van data. Ze herkennen patronen in wat er is — en die patronen zijn afkomstig van miljoenen patiënten, voornamelijk uit de VS en China. Onderzoekers noemen dit de Average Patient Fallacy: het model is geoptimaliseerd voor de gemiddelde patiënt, maar jij bent geen gemiddelde patiënt. Jij bent jij.
Wanneer jij buiten het patroon valt — door een zeldzame presentatie, een ongebruikelijke combinatie van klachten, of simpelweg doordat jouw demografische groep ondervertegenwoordigd was in de trainingsdata — presteert het model dramatisch slechter. Niet een beetje. Veel slechter.
Het meest ontluisterende voorbeeld is Epics Deterioration Index, een AI-systeem dat sepsis vroegtijdig moet detecteren en in honderden ziekenhuizen werd ingevoerd. Het systeem claimde een nauwkeurigheid van 76 tot 83 procent. Onafhankelijk onderzoek bij bijna 28.000 patiënten vond een werkelijke nauwkeurigheid van 63 procent — nauwelijks beter dan gokken. In de praktijk betekende dit: voor elke patiënt die werkelijk een interventie nodig had, moesten artsen 109 AI-gemelde gevallen nakijken. Het gevolg was alert fatigue: artsen leerden de meldingen te negeren. Het systeem had niet alleen weinig geholpen — het had de aandacht actief weggezogen bij de patiënten die die aandacht het hardst nodig hadden.
Dit is geen uitzondering. AI-literatuur over beelddiagnostiek kampt structureel met publicatie-bias: successen worden gepubliceerd, mislukkingen verdwijnen in een la.
En dan is er nog een dimensie die ongemakkelijker is dan een slechte AUC-score. Onderzoek met negen AI-programma's, getest op identieke klachten maar met wisselende patiëntdemografie — ras, geslacht, inkomen — liet zien dat de aanbevelingen stelselmatig verschilden. Niet willekeurig, maar in een patroon: patiënten die al kwetsbaarder zijn in het zorgsysteem, werden door AI consequent slechter behandeld. AI reproduceert de ongelijkheid die al in de trainingsdata zat.
Wat jouw huisarts weet dat het dossier niet bevat
Terug naar de spreekkamer.
Moderne AI-systemen worden steeds vaker ingezet als ambient scribes: ze transcriberen het gesprek en vullen het elektronisch patiëntendossier bij. Onderzoek naar deze systemen onthult iets fundamenteels over wat er wél en niet wordt vastgelegd. Ze leggen vast wat er gezegd wordt, maar niet wat er getoond wordt. Lichaamshouding, gezichtsuitdrukking, patiënt-affect — het wordt niet gecodeerd. Lichamelijk onderzoek verdwijnt als de arts het niet expliciet uitspreekt. Klinische observaties die artsen vanzelfsprekend opnemen, ontbreken in de output.
Het dossier is een tekst. Een consult is een ontmoeting.
Een huisarts die jou al jaren kent heeft een mentaal model dat verder gaat dan het dossier. Hij weet wanneer jij afwijkt van jouw norm — niet van een populatiegemiddelde. Hij weet dat jij onder stress minder eet en meer slaapt. Hij weet van de scheiding twee jaar geleden. Hij weet dat jij niet snel naar de huisarts gaat, en dat jouw aanwezigheid op zichzelf al informatie is.
Er is ook de onuitgesproken zorgvraag. Huisartsen weten dat de klacht waarmee iemand zich aanmeldt zelden de werkelijke zorgvraag is. "Ik heb last van mijn rug" kan betekenen: "Ik maak me zorgen om mijn hart maar durf dat niet te zeggen." Of: "Ik heb iets nodig om even te zitten en gehoord te worden." Die somatische vertaling, die ruimte voor het onuitgesproken — dat leest geen algoritme.
Dit is geen sentimenteel pleidooi voor de menselijke touch. Het gaat om informatie. AI heeft toegang tot meer data. Een huisarts heeft toegang tot meer informatie over jou als individu. Dat zijn twee verschillende soorten kennis, voor twee verschillende taken.
De hybride toekomst: AI als co-piloot
Het eerlijke beeld is er een van complementariteit.
AI wint bij taken die gaan over patronen herkennen in grote datasets: beelddiagnostiek, zeldzame ziekte-matching, medicatiechecks, risicostratificatie op populatieniveau. Een radioloog die AI gebruikt als tweede lezer mist minder tumoren. Een huisarts die een AI-signalering krijgt dat zijn patiëntenlijst een hoog-risico profiel bevat voor cardiovasculaire events, kan gerichter screenen.
Een huisarts wint bij taken die gaan over de individuele patiënt in context: de atypische presentatie, de sociale omstandigheid die de klacht kleurt, de vertrouwensrelatie die een eerlijk gesprek mogelijk maakt.
Het NHG omschrijft de gewenste verhouding voorzichtig maar helder: "De professionele afweging blijft altijd bij de huisarts liggen." Dat is geen pleidooi tegen AI. Het is een beschrijving van hoe het samenspel moet werken: AI levert data en signaleringen, de arts levert context en oordeel.
Juridisch is dit ook het enige houdbare model. De WGBO legt de eindverantwoordelijkheid ondubbelzinnig bij de zorgverlener. De AVG verbiedt volledig geautomatiseerde medische beslissingen zonder menselijk toezicht. De EU AI Act classificeert medische AI als hoogrisico en verplicht menselijk toezicht bij elke stap. AI kan adviseren. Beslissen doet de arts.
Er zit ook een praktische logica in. De artsen die AI het best gebruiken, zijn niet degenen die het blindelings vertrouwen — het zijn degenen die begrijpen wat het systeem doet, waar het in uitblinkt, en wanneer ze er dwars tegenin moeten gaan. Dat is precies de combinatie die het beste resultaat geeft: de populatiekennis van het algoritme plus de individuele kennis van de arts.
Conclusie: niet wie kent jou beter, maar hoe werken ze samen
De vraag in de titel heeft een helder antwoord.
AI weet meer over jou als statistisch geval. Het heeft jou ingebed in miljoenen vergelijkbare patiënten, herkent patronen die geen menselijk brein kan zien, en mist niet als het moe is. Bij die afwijking op een mammogram is dat precies wat je wil.
Jouw huisarts weet meer over jou als persoon. Hij heeft een relatie met jou opgebouwd die geen dataset kan vervangen, leest signalen die nooit zijn opgeschreven, en is juridisch en moreel verantwoordelijk voor zijn beslissingen.
De spanning tussen die twee soorten kennis is reëel. Maar de oplossing is niet kiezen. De oplossing is weten wanneer je welke soort kennis nodig hebt — en ervoor zorgen dat beide beschikbaar zijn op het moment dat het ertoe doet.
AI als co-piloot werkt. AI als piloot — zonder iemand die het venster van de individuele patiënt ook echt openschuift — werkt niet.
---
Dit is het derde artikel in een informele reeks over AI en wat het werkelijk kan: na The Invisible AI (toezicht) en The PII Firewall: A Clever Idea With a Blind Spot (dataprivacy) nu de meest persoonlijke vraag van allemaal — wie kent jou het best?
---
Sources
AI in beelddiagnostiek
- Radboudumc mammografie — The Lancet Digital Health, 202500064-0/fulltext?ref=schrijfhuis.jongbloed.net) — De studie van 42.000 borstscans die aantoonde dat één radioloog met AI meer tumoren detecteert dan twee radiologen zonder
- MASAI Trial — The Lancet, 202502464-X/abstract?ref=schrijfhuis.jongbloed.net) — Grootste gerandomiseerde studie naar AI in bevolkingsonderzoek: 29% meer detectie, 44% minder werklast, 12% minder agressieve kankers; primaire RCT-publicatie
- Radboudumc AI for Imaging-pilot — Vijf Nederlandse ziekenhuizen in nationaal samenwerkingsverband voor AI-diagnostiek
Beperkingen en risico's van AI in de zorg
- Average Patient Fallacy — arxiv, 2025 — Azhir, Murphy & Estiri over systematische bias wanneer patiënten buiten het trainingspatroon vallen
- Epic Sepsis Model — Healthcare IT Today, 2021 — Onafhankelijk onderzoek: AUC 0.63 versus het geclaimde 0.76–0.83, 109 meldingen per werkelijke interventie
- AI bias in healthcare — Rutgers Newark — Negen AI-programma's lieten stelselmatige ongelijkheid zien op ras, geslacht en inkomen
Zeldzame ziekten
- AI verkort diagnostische odyssee — Nature, 2026 — AI-systemen die klinische, genetische en literatuurdata koppelen verkorten de gemiddelde diagnosetijd bij zeldzame aandoeningen
Huisartsenpraktijk en ambient scribing
- Ambient scribing en longitudinale kennis — medrxiv, 2025 — Wat ambient AI-systemen wél en niet vastleggen: gezegd versus getoond
- NHG: AI in de huisartsenpraktijk — Standpunt van het Nederlands Huisartsen Genootschap over de rol van AI in de praktijk
- LHV: AI-kansen en regie — Landelijke Huisartsen Vereniging over autonomiebehoud bij AI-adoptie
Juridische context
- Juridische implicaties AI in de zorg — Law&More — Overzicht van WGBO, AVG en EU AI Act voor medische besluitvorming
