Ga naar de inhoud

AI consultant Leiden

Voor academische zorg en life sciences in Leiden: we brengen een model naar de zorgpraktijk en richten het beheer in, zoals bij het LUMC.

Het LUMC wil AI niet alleen ontwikkelen en implementeren, maar ook duurzaam beheren

Samen met het LUMC, waar het Cairelab AI-toepassingen ondersteunt van de eerste ontwikkelingsfase tot de implementatie, werken we aan de route van experiment tracking en CI/CD tot model serving, monitoring en integratie met klinische systemen, op een on-premise en soevereine infrastructuur.

Lees de case

Hoe gaat een afdeling werken met een model uit ons onderzoek?

Een promovendus traint een voorspelmodel op een afgesloten dataset, op een onderzoeksserver. De afdeling wil ermee werken, maar niemand weet wie het bijhoudt na de promotie. Wij maken er een toepassing van met een koppeling, monitoring en een eigenaar.

Plan een gesprek
Radioloog bekijkt hersenscans op een beeldscherm

Een goede score in het artikel is nog geen toepassing op de afdeling

Bespreek je model

Getoetst op de patiënten van nu

Het model draait eerst op recente data van de afdeling, niet alleen op de onderzoeksset. Zo zie je vóór gebruik of de populatie afwijkt.

Koppeling met EPD en PACS

Invoer uit het EPD via FHIR of HL7, beelden via DICOM uit het PACS. Die standaarden horen ook bij ons werk voor het LUMC.

Elke voorspelling herleidbaar

Code, data en modelversies leggen we vast met tools als MLflow en Docker, die we ook bij het LUMC gebruiken.

Een beheerder na de promotie

Vooraf ligt vast wie het model beheert als de onderzoeker vertrekt, wie ingrijpt als de invoer verandert en wanneer het opnieuw wordt getraind.

We beginnen bij de afdeling die het model gaat gebruiken

  1. Model en vraag naast elkaar

    Welke beslissing ondersteunt het model, op welke patiënten is het getraind en wie gaat ermee werken?

  2. Eerst stil meedraaien

    Het model rekent mee op actuele data, maar de uitkomst gaat nog niet naar de behandelaar.

  3. Koppelen en overdragen

    Koppeling met het EPD, monitoring en een vaste eigenaar. Daarna beheert jullie eigen team het model, of wij.

Is ons model klaar om uit het onderzoek te komen?

Toets het in een gesprek

Past als

Er ligt een model dat op historische data werkt, een afdeling wil ermee aan de slag en iemand bewaakt de klinische vraag. Of een bedrijf op het Leiden Bio Science Park wil een R&D-model in gebruik nemen.

Past niet als

De wetenschappelijke vraag is nog open, of er bestaat al een product dat hetzelfde doet. Weet je niet waar het knelt, begin dan met een volwassenheidsscan, zoals het Albert Schweitzer Ziekenhuis om te zien waar het stond.

Waar de omvang van afhangt

Hoeveel modellen het zijn, welke koppelingen met EPD of PACS nodig zijn, of alles on-premise moet draaien, hoe vaak het model hertraint en wie het beheer doet. Jullie leveren toegang en een klinisch eigenaar.

Valt het onder de MDR?

Dat beoordeelt jullie eigen regulatory- of juridische afdeling, niet wij. Wij leggen vast wat zij als bewijs kunnen gebruiken: data, modelversies, prestaties en wie wat wijzigde.

Onderzoeksomgeving, pilot of beheerde toepassing: waar hoort jullie model?

In de onderzoeksomgeving houden

Kies dit als het model nog een wetenschappelijke vraag beantwoordt of alleen op historische data is getoetst. De uitkomsten komen dan niet bij de behandelaar terecht.

Pilot op één afdeling

Kies dit als een afdeling het wil gebruiken en je eerst wilt zien of het helpt. Ons advies: leg vooraf vast wie eigenaar wordt en wanneer je stopt.

Beheerde toepassing

Kies dit als meerdere afdelingen erop rekenen of het model hertraint. Dan horen monitoring en een vaste beheerder erbij. Bij het LUMC staan de uitkomsten in een overzichtelijke applicatie.

We bouwden al voor de apothekersbalie en het academisch ziekenhuis

Data Science Lab bouwt sinds 2016 data- en AI-toepassingen, vanuit Amsterdam en als Databricks- en Microsoft-partner. In de zorg werkten we onder meer voor het LUMC, het Albert Schweitzer Ziekenhuis en de Nederlandse Farmaceutische Zorggroep.

Plan een kennismaking

Een onderzoeksmodel bespreken we het liefst met de afdeling erbij

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef is je eerste aanspreekpunt. In het eerste gesprek bespreken we het model, de data waarop het is getraind en wie ermee gaat werken. Dat kan bij jullie, bij ons in Amsterdam of online.

Wat heeft ons model nodig om in de zorg te draaien?

Beschrijf het model en de afdeling die ermee wil werken. Je krijgt antwoord per mail, of we plannen een eerste gesprek.

Vul een geldig e-mailadres in.

Laat ons weten waar we je mee kunnen helpen.

Veelgestelde vragen

Volgens de Rijksoverheid is software een medisch hulpmiddel als de maker haar bedoelt voor medisch gebruik, bijvoorbeeld om een prognose te maken of een ziekte te voorspellen. Dan geldt de Europese verordening medische hulpmiddelen (MDR). Die stelt volgens de Inspectie Gezondheidszorg en Jeugd ook eisen aan zorginstellingen die hulpmiddelen zelf maken.

Of dat voor jullie model geldt, beoordeelt jullie regulatory- of juridische afdeling. Wij leggen in ontwikkeling en beheer vast wat zij als bewijs kunnen gebruiken.

Moet een aangemelde instantie (notified body) het hulpmiddel beoordelen, dan geldt het AI-systeem volgens de Europese handreiking MDCG 2025-6 ook als hoog risico. Voor een hulpmiddel dat een zorginstelling alleen voor eigen gebruik maakt, geldt dat volgens die handreiking niet. Voor AI in zulke gereguleerde producten gelden die eisen na de AI-omnibus vanaf 2 augustus 2028.

De juridische duiding is aan jullie jurist of compliance-afdeling. Wij helpen met de inventarisatie van jullie AI-systemen, het voorbereiden van de risico-indeling en de governance. Meer daarover lees je bij AI Act.

Gezondheidsgegevens verwerken is volgens de Autoriteit Persoonsgegevens verboden, tenzij een uitzondering uit de AVG geldt. In de zorg staat de grondslag meestal in de wet, zoals de WGBO. Biedt de wet geen grondslag, dan noemt de AP onder meer uitdrukkelijke toestemming, bijvoorbeeld bij wetenschappelijk onderzoek.

Data uit een studie voor iets anders gebruiken is een nieuw doel. Of dat mag, beoordeelt jullie functionaris gegevensbescherming. Wij richten de datastromen daarop in en houden onderzoeks- en zorgdata gescheiden waar dat nodig is.

Ja. Het LUMC-project draait op een on-premise en soevereine infrastructuur, met als doel dat de controle over data en modellen bij het ziekenhuis blijft. In de cloud bouwen we op Databricks of Microsoft Fabric.

Die keuze is ook een privacyvraag. De Autoriteit Persoonsgegevens schrijft dat een organisatie die gezondheidsgegevens in de cloud verwerkt, daarvoor volledig verantwoordelijk blijft. Wat past, hangt af van de data, de koppelingen en wie het beheer doet.

Gegevens uit het elektronisch patiëntendossier (EPD) haal je, als het EPD dat aanbiedt, op via FHIR: een standaard van HL7 voor het elektronisch uitwisselen van zorginformatie. Medische beelden en de bijbehorende gegevens komen via DICOM, de internationale standaard daarvoor, uit het PACS, het archief voor medische beelden.

De uitkomst hoort te verschijnen waar de zorgverlener al werkt, in het EPD of in de viewer van het PACS. Daarom bespreken we de koppeling al met de eerste afdeling, niet pas bij de livegang.

Leg dat vast voordat het model live gaat: wie eigenaar is, wie ingrijpt als de invoer verandert en wie een bijgewerkt model vrijgeeft. Jullie eigen team kan het overnemen, of wij doen het via beheer en doorontwikkeling. Hoe de techniek werkt, lees je bij MLOps.

Komt het model uit een samenwerking, zoals een programma van Medical Delta, waarin het LUMC en de Universiteit Leiden onder meer samenwerken met TU Delft en Erasmus MC, spreek dan ook af welke partner het beheer draagt.

Het Leiden Bio Science Park noemt AI en data science een thema dat door al zijn focusgebieden loopt, van vroege diagnostiek tot vaccins. Komt een model uit R&D in plaats van uit de kliniek, dan blijven de vragen gelijk: is het reproduceerbaar, waar draait het, wie beheert het en welke regels gelden er.

Een eigen case op het Bio Science Park hebben we niet; onze referenties liggen in ziekenhuizen en bij apotheken. Voor de Nederlandse Farmaceutische Zorggroep bouwden we een virtuele assistent met informatie uit contracten met zorgverzekeraars. “De NFZ Virtuele Assistent heeft de workflow van onze klanten aanzienlijk verbeterd.” Alberto Fernandez, Projectapotheker - NFZ

Als de afdeling er niet om vraagt, als een bestaand product hetzelfde doet of als het model alleen op een kleine, oude dataset is getoetst. Dan is inkopen, eerst valideren of stoppen verstandiger dan bouwen.

Weet je niet goed waar het knelt, in de data, de processen of de organisatie, begin dan met een volwassenheidsscan. Bij het Albert Schweitzer Ziekenhuis bracht zo'n scan in kaart waar het ziekenhuis stond, van cultuur en processen tot technologie en governance.