Data science bureau Utrecht

Het bouwt modellen die per geval een uitkomst voorspellen of een keuze ondersteunen: wordt deze patiënt opgenomen, haakt deze klant af, past deze kandidaat bij deze vacature. Het werk zit vooral in de data die er op het beslismoment is, de validatie en de inbedding in het werk.

Die modellen horen bij de AI-toepassingen die we bouwen. Ons kantoor staat in Amsterdam; in Utrecht werken we op locatie of online. Voor Rotterdam lees je data science bureau Rotterdam.

Het St. Antonius heeft een SEH in Utrecht en in Nieuwegein. Drukte op de SEH heeft volgens de case effect op de zorg, de werkdruk en de patiënttevredenheid. Het doel was de doorstroming te verbeteren door het opnameproces eerder te starten.

Als onderdeel van het AI-team van het ziekenhuis ontwikkelden we een algoritme dat artsen kan ondersteunen bij de beslissing of een patiënt naar huis kan of moet worden opgenomen. Afdelingen die op tijd horen van een mogelijke opname, kunnen eerder voorbereidingen treffen. Lees de case.

Interne validatie toetst op data uit dezelfde bron als de training. Externe validatie gebruikt data die niet bij de ontwikkeling is gebruikt, zoals een latere periode of een andere locatie. Je kijkt naar onderscheidend vermogen (zet het model hogere kansen bij de juiste gevallen), kalibratie (kloppen de kansen) en de prestaties per subgroep.

Pas daarna weet je of het model ook voor jouw patiënten of klanten werkt.

De Leidraad voor kwalitatieve diagnostische en prognostische toepassingen van AI in de zorg onderscheidt zes fasen: data verzamelen en beheren, het algoritme ontwikkelen, valideren, de software ontwikkelen, de toegevoegde waarde in de praktijk toetsen en implementeren. De site leidraad-ai.nl staat op naam van UMC Utrecht.

Een eis in fase 2 is dat het doel vastligt: in welke context, door wie en op welk moment het model wordt gebruikt. Na implementatie hoort de uitkomst in de praktijk gemonitord te worden. De leidraad heeft geen juridische status.

Data leakage betekent dat het model tijdens de training informatie gebruikt die er op het beslismoment nog niet is. Denk aan een labuitslag die pas later in het systeem staat, of een veld dat pas na de opname wordt ingevuld. In de test scoort het model dan uitstekend, in de praktijk niet.

Daarom leggen we eerst per gegeven vast wanneer het in het EPD, CRM of dossier verschijnt, en bouwen we de trainingsset op vanaf dat moment.

Ja. Uitval, schade, betalingsachterstand of een passende match zijn net zo goed uitkomsten per klant of dossier. Voor Olympia bouwden we een classificatiemodel om kandidaten en vacatures efficiënter te matchen.

Let wel op de AI-verordening: bijlage III noemt onder meer AI voor het werven en selecteren van personen, en voor risicobeoordeling en prijsstelling bij levens- en ziektekostenverzekeringen. Of jouw model eronder valt, beoordeelt je jurist of compliance-afdeling; wij helpen met de inventarisatie. Meer over data en AI voor verzekeraars.

Dat kan. Volgens regel 11 van de MDR behoort software die informatie geeft voor diagnostische of therapeutische beslissingen tot klasse IIa of hoger.

Bijlage III van de AI-verordening noemt ook systemen voor de triage van patiënten in de spoedeisende zorg. Wanneer die verplichtingen precies ingaan, hangt af van de Europese besluitvorming over uitstel; volg daarvoor de actuele stand.

Of jouw model eronder valt, beslist je regulatory-, juridische of compliance-afdeling. Wij helpen met de inventarisatie. Zie de AI Act.

Als een bekende score, een vaste regel of een goede rapportage de beslissing al goed genoeg ondersteunt, of als de uitkomst nergens is vastgelegd. Wil je eerst weten waar AI in je organisatie loont, begin dan bij AI consultant Utrecht.

Gaat het om AI die we bouwen en in beheer nemen in de operatie, kijk bij AI bureau Utrecht. Is de data nog verspreid over losse systemen, begin bij data engineering in Utrecht.