AI in de gezondheidszorg: de nieuwe toegangspoort tot de gezondheidszorg

Een patiënt wordt wakker met terugkerende rugpijn en vraagt een AI wat hij moet doen. De app bekijkt zijn medische geschiedenis, ziet een eerder voorgeschreven medicijn en stelt voor om over te stappen op een ander ontstekingsremmend middel. Jouw molecuul wordt niet genoemd. Tegen de tijd dat de patiënt die middag naar de dokter gaat voor een recept, is het beeld al gevormd.

De invoering van GenAI-assistenten is al een feit, aan beide kanten van het consult. Van de meer dan 800 miljoen gebruikers van ChatGPT stellen 200 miljoen wekelijks vragen over gezondheid. Artsen vormen hierop geen uitzondering: 76% gebruikt AI klinische besluitvorming en meer dan 60% controleert er medicijninteracties mee. Open Evidence, een klinische AI voor artsen, krijgt er elke maand 65.000 nieuwe gebruikers bij.

Bovendien breidt het aanbod van GenAI-assistenten zich in razendsnel tempo uit. In slechts één kwartaal hebben vier van de grootste technologiebedrijven hun eigen AI gelanceerd: ChatGPT Health van OpenAI, MedgeMMA 1.5 en MedASR van Google, Health AI van Amazon One Medical en nog enkele andere.

Voor de farmaceutische sector is dit op drie fronten een dringende kwestie, aangezien AI naar verwachting tegen 2028 de traditionele zoekopdrachten zullen overtreffen:

  • Ten eerste: merk-onzichtbaarheid. Elk geneesmiddel heeft twee namen: een merknaam en een wetenschappelijke naam (de INN). Wanneer de informatie over een merk niet goed geïndexeerd is in de bronnen AI hun gegevens uit halen, wordt standaard de INN weergegeven. Vraag de meeste AI-systemen naar middelen tegen allergieën en je krijgt eerder „cetirizine 10 mg“ te horen dan een merknaam, waardoor jarenlange investeringen in reclame in één enkel antwoord teniet kunnen worden gedaan.
  • Ten tweede, verlies van controle over het verhaal: deze modellen beperken zich niet tot goedgekeurd klinisch bewijs. Ze putten uit Reddit, patiëntenforums en blogberichten, en smelten dit alles samen tot één gezaghebbend klinkend antwoord. Aangezien medische disclaimers in AI tussen 2022 en 2025 zijn gedaald van 26,3% naar minder dan 1%, wordt een bericht van een gebruiker als "dit medicijn heeft mijn huid binnen twee weken genezen" na samenvoeging door de AI als bijna-medisch bewijs.
  • Ten derde, zichtbaarheid van off-labelgebruik: geneesmiddelen worden goedgekeurd voor specifieke toepassingen, ziekten, doelgroepen en behandelingstrajecten. Al het andere valt onder ‘off-labelgebruik’, en AI maken dat onderscheid niet. Een kankermedicijn dat is goedgekeurd voor tweedelijnsbehandeling, maar is onderzocht voor eerstelijnsbehandeling? Een AI het dan voor eerstelijnsbehandeling AI aanbevelen.

Het verlies van controle over de berichtgeving en de zichtbaarheid buiten de goedgekeurde indicaties vormen samen een regelgevingskwestie die de farmaceutische sector niet kan negeren. De FDA en de EMA verplichten fabrikanten al om informatie over bijwerkingen via al hun digitale kanalen te monitoren, een verplichting die zich geleidelijk heeft uitgebreid naar sociale media. Tot nu toe heeft nog geen enkele toezichthouder bepaald dat AI als een te monitoren kanaal moeten worden beschouwd. Maar de logische gevolgtrekking is moeilijk te negeren.

GEO en RAG: waar AI van je product AI daadwerkelijk wordt bepaald

Bij traditionele zoekresultaten strijd je om een plek op een pagina met tien resultaten. Dat was SEO. Tegenwoordig nemen twee nieuwe strijdtonelen dit in hoog tempo over, en die werken op een andere manier.

De eerste is GEO (Generative Engine Optimization). Zo kom je voor in algemene LLM’s (ChatGPT, Gemini, Perplexity) en de nieuwe gezondheidsassistenten. Deze systemen halen informatie van het open web en voegen die samen tot één antwoord. U concurreert niet om een positie in de ranglijst. U concurreert om een van de twee of drie bronnen te zijn die het model aanhaalt. Wat telt: op het web geïndexeerde, machinaal leesbare inhoud, zoals voorlichtingspagina's voor patiënten, vraag-en-antwoordrubrieken, samenvattingen in gewone taal en gestructureerde samenvattingen met een consistente koppeling tussen INN en merknaam.

De tweede is RAG (Retrieval-Augmented Generation). Zo verschijnt u in gespecialiseerde klinische tools zoals Open Evidence of ClinicalKey AI, die door artsen worden gebruikt tijdens de zorgverlening. Deze systemen zoeken niet op het internet. Ze halen hun informatie rechtstreeks uit samengestelde medische databases zoals PubMed, Cochrane en klinische richtlijnen. Wat hierbij van belang is: de kwaliteit van de publicatie, volledige PubMed-metadata en gestructureerde samenvattingen.

Twee vragen die ons vaak worden gesteld: AI of een arts invloedrijk is? En kan het beoordelen of een onderzoek goed is? Het korte antwoord op beide vragen: min of meer, maar niet op dezelfde manier als een mens dat zou doen.
AI zoekt de referenties van een artsAI op en leest de methodologie van een studieAI . Het neemt een kortere weg. Als de naam van een arts vaak voorkomt in gepubliceerde medische literatuur, AI deze vaker citeren, niet omdat het heeft gecontroleerd wie deze persoon is, maar omdat het de naam steeds tegenkomt. Hetzelfde geldt voor studies: AI beoordeelt de steekproefomvang of statistische nauwkeurigheid AI . Het kijkt naar hoe vaak er elders naar het onderzoek wordt verwezen, hoe bekend het tijdschrift is en hoe gemakkelijk de inhoud te extraheren is. Een baanbrekend onderzoek dat begraven ligt in een minder bekend tijdschrift met onvolledige metadata komt misschien nooit aan het licht, terwijl een kleiner onderzoek in een toptijdschrift met een goed gestructureerde samenvatting overal wordt geciteerd. Voor de farmaceutische industrie betekent dit dat AI evenzeer afhangt van waar je publiceert en wie het artikel ondertekent, als van de kwaliteit van de wetenschap zelf.

Wat verandert er voor patiënten, huisartsen en specialisten?

De patiënt is overgestapt van het doorklikken van gerangschikte links naar het opvolgen van één enkel AI antwoord. In Frankrijk heeft 60% van degenen die een AI kregen, dit opgevolgd, waarvan 17% zonder een arts te raadplegen. Tegenwoordig komen patiënten al goed geïnformeerd naar de consultatie, nadat ze algemene LLM's hebben geraadpleegd. Voor vrij verkrijgbare producten (OTC) is het commerciële risico onmiddellijk en direct: als uw merknaam niet wordt genoemd, bestaat deze niet op het moment van de aankoopbeslissing. Voor receptplichtige producten is het risico structureel: AI de verwachtingen van patiënten al vóór de consultatie.

De huisarts krijgt te maken met patiënten die verwachtingen hebben AI, en met een steeds beperktere rol in de routinezorg. Het precedent in Utah heeft deze structurele verschuiving verder versneld, aangezien deze staat als eerste in de VS toestemming heeft gegeven voor AI herverkoop van recepten voor 190 geneesmiddelen voor chronische aandoeningen, tegen een vergoeding van 4 dollar per herverkoop. Aangezien herverkoop van recepten ongeveer 80% van alle medicatieactiviteiten uitmaakt en routinematige recepten worden geautomatiseerd, wordt de huisarts een ‘exception handler’ en het belangrijkste contactpunt voor de farmaceutische industrie.

De specialist vertrouwt steeds vaker op klinische AI als eerste filter voordat hij een recept uitschrijft. Wat deze tools naar voren brengen, bepaalt wat in aanmerking wordt genomen. Wat ze niet naar voren brengen, bestaat niet. Dit maakt indexering van publicaties – zoals volledige PubMed-metadata, gestructureerde samenvattingen en publicatie in toonaangevende tijdschriften – tot de allerbelangrijkste factor voor zichtbaarheid op de plek waar klinische beslissingen worden genomen.

Wat te doen

Stel nu een diagnose. Het uitgangspunt is inzicht krijgen in waar je op dit moment staat.

Door ChatGPT, Perplexity, Gemini, Open Evidence en – zodra deze beschikbaar komen – gezondheidsassistenten te raadplegen met de tien meest gestelde vragen van uw patiënten en artsen, brengt u de hiaten sneller aan het licht dan met welke interne audit dan ook. Bijvoorbeeld: „Wat is de beste behandeling voor diabetes type 2 bij een HbA1c-waarde boven de 8?“: Wordt in het antwoord uw merk genoemd of alleen de INN? Wordt er verwezen naar uw cruciale onderzoek of dat van een concurrent? Wordt de juiste dosering vermeld? Een product dat veel wordt genoemd in het generieke ChatGPT kan volledig ontbreken in de gepersonaliseerde aanbevelingen van een gezondheidsassistent als data gestructureerde klinische data onvolledig data . De resulterende gap-analyse is uw risicokaart.
Platforms zoals Profound of Evertune kunnen helpen bij het systematiseren van het volgen van gegevens over verschillende platforms heen. Dit soort basislijn-audits levert bruikbare signalen op tegen bijna geen kosten.

Maak binnen zes maanden gebruik van uw bestaande materiaal. In de meeste gevallen is het probleem niet een gebrek aan inhoud, maar een opmaakprobleem. Door bestaande bestanden opnieuw op te maken, kunt u het percentage AI met wel 40% verhogen.

Dat gezegd hebbende, moet niet alles worden geoptimaliseerd: goedgekeurde etikettering en gepubliceerde onderzoeken kunnen over het algemeen zonder problemen worden aangepast, terwijl onderzoek buiten de goedgekeurde indicaties om nalevingsrisico’s met zich mee kan brengen als het zonder waarborgen beter zichtbaar wordt gemaakt. Het is verstandig dat de afdelingen Medical Affairs en Regulatory die grens in een vroeg stadium afbakenen.

Vervolgens kunnen waardevolle bronnen worden omgezet in vraag-en-antwoordformats die aansluiten bij de manier waarop patiënten en zorgverleners informatie verwerken. Zo kan bijvoorbeeld een klinisch onderzoek van 30 pagina’s worden omgezet in een gestructureerde pagina die antwoord geeft op de vraag: „Hoe effectief is atorvastatine bij een hoog cholesterolgehalte?“

Het loont de moeite om de volledigheid van de metadata in PubMed te controleren. Onvolledige metadata blijft de belangrijkste reden waarom goede onderzoeken onzichtbaar blijven in klinische AI .

Door INN-namen consequent te koppelen aan alle geïndexeerde inhoud, leren AI deze twee met elkaar in verband te brengen, in plaats van standaard uit te wijken naar de wetenschappelijke naam.

Zorg binnen een jaar voor een goed bestuurskader. Het toezicht moet worden uitgebreid van wat je zelf publiceert naar wat AI over je AI , en dit geldt voor zowel algemene grootschalige taalmodellen (LLM’s) als klinische AI en gezondheidsassistenten.

Door elk kwartaal de productclaims, indicaties en data te controleren, data afwijkingen in een vroeg stadium worden opgespoord. Het is nuttig om escalatiedrempels vast te stellen; zo zou een AI een bloedverdunner AI in een dosis die twee keer zo hoog is als de goedgekeurde dosis, onmiddellijk een beoordeling door de afdelingen Medical Affairs en Regulatory moeten uitlokken.

Het is eveneens nuttig om inhoud in te delen op basis van de mate AI . Sommige gegevens kunnen gerust volledig vindbaar worden gemaakt, zoals uw goedgekeurde label en uw gepubliceerde klinische onderzoeken. Andere gegevens kunnen weliswaar worden geïndexeerd, maar moeten zorgvuldig worden gepresenteerd, zoals praktijkgegevens die zonder context verkeerd kunnen worden geïnterpreteerd. En weer andere gegevens moeten volledig buiten AI van AI blijven, zoals data lopende onderzoeken data resultaten van voorlopige goedkeuringen die nog niet klaar zijn voor openbare interpretatie.

Organisaties die dit kader nu opzetten, zullen waarschijnlijk een voorsprong hebben wanneer de regelgeving definitief wordt, in plaats van er pas op te reageren.

Conclusie: Het verhaal wordt nu al geschreven

AI in de gezondheidszorg is geen trend, maar een verschuiving in de infrastructuur.

  • Zodra citatiepatronen eenmaal zijn ontstaan, versterken ze elkaar: pioniers bouwen een voorsprong op die laatkomers met moeite kunnen inhalen.
  • Klinische hulpmiddelen op basis van RAG zullen binnen drie jaar de belangrijkste interface voor specialisten worden.
  • Het Utah-model zou zich wereldwijd kunnen verspreiden, waardoor het contactpunt met de huisarts blijvend wordt beperkt.
  • Toegewijde zorgassistenten vormen een nieuwe, permanente schakel tussen de patiënt en de arts, en tussen het merk en de voorschrijver.

Waar te beginnen: volg de invloedsketen, niet de eindgebruiker.

  • Bij receptplichtige producten blijft de arts degene die de beslissing neemt. Ervoor zorgen dat uw klinische bewijsmateriaal terug te vinden is op RAG-platforms, in algemene LLM’s en in gezondheidsassistenten is momenteel de meest directe manier om het voorschrijfgedrag te beïnvloeden.
  • Bij vrij verkrijgbare producten AI het schap als eerste plek waar producten worden ontdekt, en als het antwoord ‘cetirizine 10 mg’ luidt in plaats van uw merknaam, koopt de patiënt het goedkoopste generieke product. In een categorie die draait om volume en merkpremie, verdwijnt zo het marktaandeel.

Afhankelijk van je portfolio kunnen deze twee trajecten parallel lopen of na elkaar plaatsvinden, maar geen van beide mag worden uitgesteld.

 

Bronnen:

  • OpenAI, „Introductie van ChatGPT Health“, januari 2026
  • Fierce Healthcare / Sermo, „Het gebruik van AI door artsen AI klinische besluitvorming“, via de American Hospital Association, oktober 2024
  • GV (Google Ventures), Aankondiging serie B-financieringsronde OpenEvidence, 2025
  • Sharma A., Alaa A., Daneshjou R., „Medische disclaimers in de output van grote taalmodellen“, npj Digital Medicine, oktober 2025
  • Galeon D., „Een op de drie Franse volwassenen heeft al eens een AI zijn of haar gezondheid gevraagd“, Galeon, 2025
  • Aggarwal P., Murahari V., Rajpurohit T. e.a., „GEO: Generative Engine Optimization“, KDD 2024, Princeton University / IIT Delhi
  • ECRI, „Top 10 gevaren op het gebied van gezondheidstechnologie voor 2026”, januari 2026
  • PharmaGEO, „Zichtbaarheid van merknamen versus INN’s op de belangrijkste LLM-platforms“, 2025
  • Indegene / Tarun Mathur, „Van SEO naar GEO: een nieuwe aanpak voor het tijdperk van zero-click-content“, november 2025