'The computer is incredibly fast, accurate, and stupid. Man is incredibly slow, inaccurate, and brilliant. Together they are powerful beyond imagination.' — Leo Cherne (1912-1999)

Artificiële intelligentie (AI) dringt steeds verder door in onze samenleving en beïnvloedt in toenemende mate de manier waarop we leven, leren en werken. Kranten, nieuwsuitzendingen en sociale platforms berichten bijna dagelijks over nieuwe ontwikkelingen en toepassingen, en in de medische wereld lijkt geen congres of publicatie nog denkbaar zonder minstens één verwijzing naar 'AI in health care'. Toch is de realiteit op de werkvloer vaak heel wat minder spectaculair. Een recente studie van het toonaangevende Massachusetts Institute of Technology toonde aan dat, ondanks de overweldigende mediabelangstelling, de reële impact van AI op productiviteit in veel sectoren eerder beperkt blijft.¹ Ook in de cardiologie sijpelt de nieuwe technologie slechts mondjesmaat door naar de klinische praktijk, en blijft een echte AI-revolutie vooralsnog uit. Het aantal publicaties over AI in ons vakgebied is de voorbije jaren exponentieel toegenomen - van automatische ecg-interpretatie en beeldanalyse tot risicostratificatie op basis van big data - maar slechts een fractie van deze toepassingen is gevalideerd in robuuste klinische studies en nog minder hebben kunnen aantonen dat ze effectief leiden tot een betere klinische outcome voor de patiënt.² Zelfs uit de techwereld zelf klinken steeds vaker signalen van twijfel en voorzichtigheid. Pioniers als Jensen Huang (CEO van Nvidia, het chipbedrijf dat als de motor van AI wordt beschouwd en als eerste de kaap van 5 biljoen dollar (!) beurswaarde overschreed) en Sam Altman (CEO van OpenAI, het bedrijf achter ChatGPT) waarschuwden recent dat de technologische hausse dreigt uit te groeien tot een 'AI-bubbel', waarin hype en investeringskoorts de realiteit ver overstijgen.

Het is echter ondenkbaar dat AI in de medische sector slechts een voorbijgaande hype is. De potentiële meerwaarde is immers enorm en verschillende klinische implementaties hebben inmiddels aangetoond dat AI-toepassingen een reële positieve impact kunnen hebben op patiëntenzorg.^{3, 4}

In de beeldvorming zijn algoritmen ontwikkeld die automatisch en bijzonder snel anatomische structuren herkennen, volumes berekenen en afwijkingen detecteren met een hoge precisie en reproduceerbaarheid - vaak beter dan ervaren experts. AI kan helpen echocardiografische beelden te optimaliseren en metingen te standaardiseren, terwijl de technologie bij CT- en MRI-analyse subtiele beeldpatronen blootlegt die aan het menselijk oog ontsnappen. Aan de hand van deze zogenaamde 'radiomics' kunnen digitale modellen bijvoorbeeld helpen om de biologische leeftijd, het ziektestadium of het cardiovasculaire risico van een patiënt in te schatten. Ook op het vlak van ecg-analyse is de vooruitgang indrukwekkend. AI-algoritmen kunnen niet alleen uiterst subtiele signalen van myocardischemie detecteren, maar ook patronen herkennen die wijzen op linkerventrikeldisfunctie, myocardhypertrofie, kleplijden of elektrolytstoornissen. Zelfs wanneer het ecg een ogenschijnlijk normaal sinusritme vertoont, is AI in staat met een bijna griezelige nauwkeurigheid het risico te berekenen op de ontwikkeling van voorkamerfibrillatie.^{5, 6, 7} Deze vorm van 'hidden signal detection' biedt perspectief op vroegtijdige diagnose en verbeterde screening in de eerstelijnszorg en opent bijgevolg de deur naar een meer preventieve cardiologie. Een illustratief voorbeeld van deze evolutie wordt verderop in dit nummer belicht in een artikel over hoe AI-gebaseerde ecg-analyse kan helpen bij de diagnostiek van hypertrofe cardiomyopathie. Naar verwachting zullen ook draagbare sensoren (zoals smartwatches) en implanteerbare toestellen (zoals druksensoren in de longslagader) hierbij een steeds belangrijkere rol spelen. Deze wearables leveren een schat aan real-world en real-time data. Tal van klinisch relevante parameters kunnen continu en op afstand worden opgevolgd. Met de hulp van 'AI-assisted remote monitoring' evolueert cardiologische zorg zo van periodieke controle met vaak reactieve behandeling naar een permanente, gepersonaliseerde en proactieve opvolging.⁸

De inzet van digitale tools gaat echter veel verder dan het analyseren van klassieke cardiologische onderzoeken en parameters. Recente studies toonden bijvoorbeeld aan dat computermodellen op basis van gelaatsfoto's, gangpatroon of zelfs stemgeluid verrassend accuraat de biologische leeftijd, frailty en vullingsstatus van een patiënt kunnen inschatten. Wat ooit futuristisch klonk, wordt steeds vaker het onderwerp van klinisch onderzoek.⁹

De grote kracht van AI ligt echter in haar vermogen om al deze multimodale data te integreren (figuur 1). Dankzij de indrukwekkende rekenkracht van hedendaagse analysemodellen, kunnen klinische gegevens, ecg's, beeldvorming, genetische profielen, laboratoriumdata en continue metingen van wearables bliksemsnel gecombineerd en verwerkt worden waardoor nieuwe, soms onverwachte verbanden aan het licht komen - inzichten in onder andere pathofysiologie, risico's en ziekteprogressie die het menselijk brein alleen nooit zou ontdekken.^{5, 8, 9}

Dat heeft onder meer geleid tot de ontwikkeling van het concept 'digital twin': een virtuele, dynamische kopie van een individuele patiënt, opgebouwd uit diens unieke klinische, biologische en genetische kenmerken. Een dergelijk model laat toe om ziektetrajecten te simuleren, behandelingen te testen of resultaten van interventies te voorspellen nog voor ze werkelijk hebben plaatsgevonden. Op die manier kan AI in de toekomst het pad effenen naar een vorm van virtuele precisiegeneeskunde. Bovendien heeft deze technologie het potentieel om de manier waarop we klinisch onderzoek voeren grondig te veranderen. Digital twins kunnen immers dienen als virtuele proefpersonen in AI-geassisteerde studies, waarbij ook de selectie van eindpunten en de analyse van gegevens geautomatiseerd kunnen verlopen. Dat maakt klinisch onderzoek niet alleen sneller en efficiënter, maar ook aanzienlijk goedkoper.^{6, 10, 11}

Ook in het laboratorium is AI een krachtige katalysator voor innovatie. DeepMind's AlphaFold is wellicht de meest disruptieve AI-toepassing in de biomedische wetenschap tot nu toe. Deze tool gebruikt AI om razendsnel de 3D-structuur van eiwitten te voorspellen, wat fundamenteel inzicht biedt in biologie, ziekteprocessen en geneesmiddelenontwikkeling. In 2021 publiceerde DeepMind de AlphaFold Protein Structure Database, met meer dan 200 miljoen voorspelde eiwitstructuren - vrijwel alle bekende eiwitten op aarde! Deze open databank wordt actueel wereldwijd intensief gebruikt door onderzoekers in de moleculaire biologie, genetica, biotechnologie en farmaceutische industrie.12 Het belang van deze ontwikkeling werd recent nog onderstreept door de toekenning van de Nobelprijs voor Chemie 2024 aan David Baker, Demis Hassabis en John Jumper, voor hun baanbrekende werk in de structurele biologie en de toepassing van AI in eiwitonderzoek.

De razendsnelle digitale vooruitgang roept echter ook fundamentele vragen op. Naarmate het potentieel van AI groeit, wordt de nood aan reflectie over haar grenzen, betrouwbaarheid en ethische implicaties steeds pertinenter. Bovendien blijven ook heel wat juridische vraagstukken voorlopig onbeantwoord.

Een van de grootse knelpunten bij de toepassing van AI in de klinische zorg is dat veel algoritmen functioneren als 'black boxes': ze leveren een resultaat, maar het is vaak onduidelijk hoe dat tot stand komt. Voor een arts, die zijn of haar beslissingen moet kunnen verantwoorden, is dat fundamenteel problematisch. Hoe leg je immers aan een patiënt uit dat een computermodel een diagnose stelt of een behandeling aanbeveelt, zonder dat iemand goed begrijpt op basis waarvan? Bovendien moet men goed beseffen dat de algoritmen slechts zo goed zijn als de data waarmee ze getraind worden. Wanneer deze data verouderen - bijvoorbeeld doordat de populatie, de gebruikte meetapparatuur of de medische richtlijnen veranderen - neemt de voorspellende kracht van het model geleidelijk af. Dat verschijnsel wordt ook wel 'model drift' genoemd en vormt een wezenlijk risico voor het verantwoord gebruik van AI in de gezondheidszorg.¹³ Regelmatige hertraining en validering zijn daarom essentieel om de prestaties en betrouwbaarheid van dergelijke systemen te waarborgen. Hoe model drift tijdig kan worden opgespoord en met welke frequentie hertrainingen moeten plaatsvinden, is echter nog onduidelijk.

Minstens zo problematisch is de vraag wie verantwoordelijk is wanneer een AI-systeem fouten maakt. De arts die de technologie gebruikte? De ontwikkelaar van het algoritme? Het juridisch kader hinkt momenteel achterop.¹⁴ De Artificial Intelligence Act, opgesteld door de Europese Unie om AI-systemen veiliger, transparanter en mensgerichter te maken, biedt wel richtinggevende principes, maar nog te weinig praktische houvast voor de arts aan het bed van de patiënt.

Ook het beheer van data stelt de ethische grenzen op scherp. AI-modellen worden immers 'gevoed' met patiëntgegevens, maar het blijft vaak onduidelijk wie de eigenaar is van die data, hoe ze worden beveiligd en in welke mate ze voor andere doeleinden mogen worden gebruikt. Zonder duidelijke regulering dreigt een medische data-economie te ontstaan, waarin patiëntinformatie een handelswaar wordt en de zorg dreigt te evolueren naar 'surveillance medicine', en de patiënt niet langer het middelpunt van zorg is, maar een leverancier van data.

Stakeholders en beroepsorganisaties waarschuwen dan ook dat AI nooit een arts kan en mag vervangen, maar dat digitale tools juist bedoeld zijn om het klinisch handelen te ondersteunen en te verbeteren. In die optiek wordt 'artificial' eerder 'augmented' intelligence: modellen die complexe data analyseren en repetitieve taken overnemen, terwijl de interpretatie en eindverantwoordelijkheid bij de arts blijven.¹⁵ De kernuitdaging ligt dus niet in de technologie zelf, maar in de manier waarop ze zorgvuldig wordt geïntegreerd in de zorgpraktijk - met betrouwbare data, uitlegbare algoritmen en nauwe samenwerking tussen clinici en datawetenschappers als noodzakelijke voorwaarden voor verantwoord gebruik.

Het bovenstaande neemt echter niet weg dat de digitalisering van de gezondheidszorg een onmiskenbare vooruitgang betekent. Het elektronisch medisch dossier, gestandaardiseerde data-uitwisseling en digitale monitoring hebben onze zorg reeds meer samenhang en continuïteit gegeven, maar tegelijk moeten we erkennen dat de digitale transformatie een hoge prijs heeft. Artsen en verpleegkundigen brengen vandaag meer tijd door achter het scherm dan aan het bed van de patiënt. Correcte input lijkt soms belangrijker geworden dan klinisch relevante output. We worden overstelpt met cijfers, scores en meldingen, die niet altijd even relevant zijn voor de patiëntenzorg. Met enige zin voor cynisme lijkt AI - ontwikkeld om de steeds complexere pathologie beter te begrijpen en de toenemende administratieve last te verlichten - in steeds grotere mate noodzakelijk te worden om de digitale chaos te ordenen die de digitalisering zelf heeft gecreëerd.

Misschien is de grootste uitdaging niet om AI-algoritmen steeds slimmer te maken, maar om als zorgverlener zélf verstandig te blijven in hoe ze toegepast worden. Technologie kan veel, maar empathie, klinisch inzicht en menselijk oordeel blijven onvervangbaar. De toekomst van de geneeskunde zal ongetwijfeld digitaal zijn, maar laat ons er vooral voor zorgen dat ze ook menselijk blijft. Als we erin slagen AI in te zetten als bondgenoot, niet als vervanger, dan kan technologie bereiken waarvoor ze werd ontwikkeld en ons meer tijd geven voor wat er echt toe doet: de patiënt.

De medische wereld staat op een kruispunt. Om het potentieel van AI veilig en zinvol te benutten, zijn drie voorwaarden essentieel: betrouwbare validatie in de klinische context, een duidelijk wettelijk en ethisch kader, en blijvende betrokkenheid van artsen bij het ontwerp en gebruik van deze technologie.

'Science sans conscience n'est que ruine de l'âme.' - François Rabelais (1494-1553) Of in de context van de geneeskunde vandaag: technologische vooruitgang zonder moreel kompas ondermijnt de menselijkheid van de zorg.

Referenties

1. Brynjolfsson, E., Li, D., Raymond, L. Generative AI at Work. The Quarterly Journal of Economics, 2025, 140 (2), 889-942.
2. Barzilai, D.H., Sudri, K., Goshen, G., Klang, E., Zimlichman, E., Barbash, I. et al. Randomized controlled trials evaluating artificial intelligence in cardiovascular care: a systematic review. JACC Adv, 2025, 4 (11), 102152.
3. Meder, B., Asselbergs, F.W., Ashley, E. Artificial intelligence to improve cardiovascular population health. Eur Heart J, 2025, 46 (12), 1907-1916.
4. Ahmad, F.S., Al-Kindi, S.G., Steinhubl, S. AI in cardiology: improving outcomes for all. JACC Adv, 2024, 3 (9), 101229.
5. Elias, P., Jain, S.S., Poterucha, T., Randazzo, M., Lopez Jimenez, F., Khera, R. et al. Artificial intelligence for cardiovascular care—Part 1: advances. J Am Coll Cardiol, 2024, 83 (24), 2472-2486.
6. Khera, R., Oikonomou, E.K., Nadkarni, G.N., Morley, J.R., Wiens, J., Butte, A.J., Topol, E.J. Transforming cardiovascular care with artificial intelligence: from discovery to practice. J Am Coll Cardiol, 2024, 84 (1), 97-114.
7. Armoundas, A.A., Narayan, S.M., Arnett, D.K., Spector-Bagdady, K., Bennett, D.A., Celi, L.A. et al. Use of artificial intelligence in improving outcomes in heart disease: a scientific statement from the American Heart Association. Circulation, 2024, 149 (14), e1028-e1050.
8. Oikonomou, E.K., Khera, R. Artificial intelligence-enhanced patient evaluation: bridging art and science. Eur Heart J, 2024, 45 (35), 3204-3218.
9. Lüscher, T.F., Wenzl, F.A., D'Ascenzo, F., Friedman, P.A., Antoniades, C. Artificial intelligence in cardiovascular medicine: clinical applications. Eur Heart J, 2024, 45 (40), 4291-4304.