Vrouwengezondheid, bias en AI: zo verklein je het verschil

Vrouwen leven langer, maar ongezonder – dat is geen natuurwet

Vrouwen in Nederland worden gemiddeld ouder dan mannen, maar brengen een veel groter deel van hun leven door in slechte gezondheid. Mannen sterven eerder, vrouwen kwakkelen langer. Dat is geen biologisch noodlot, maar voor een groot deel een gevolg van hoe ons zorgsysteem is ingericht.

Demissionair staatssecretaris Judith Tielen heeft vrouwengezondheid tot speerpunt gemaakt in de Nationale Strategie Vrouwengezondheid. Ze benoemt iets wat in veel spreekkamers nog voelbaar is:

“Vanuit mannelijke dominantie wordt er toch nog te vaak lacherig gedaan over gezondheidsklachten van vrouwen.”

Dit raakt niet alleen patiënten, maar ook zorgprofessionals én het beleid. En precies hier komt een tweede grote beweging in de zorg samen: AI en datagedreven zorg. Als we nu verkeerde aannames over vrouwen en mannen in algoritmes gieten, maken we de kloof alleen maar groter.

In deze blog zet ik drie dingen naast elkaar:

• waar de gezondheidsverschillen tussen vrouwen en mannen vandaan komen;
• hoe onzichtbare bias in zorgprocessen en data terechtkomt;
• hoe je AI juist kunt inzetten om vrouwengezondheid te verbeteren in plaats van te schaden.

Waar ontstaan gezondheidsverschillen tussen vrouwen en mannen?

De kern: vrouwen en mannen worden vaak behandeld alsof ze hetzelfde lichaam hebben, terwijl dat medisch en sociaal gewoon niet klopt.

1. Onderzoek is decennialang op mannen gericht

Veel medicijnen, richtlijnen en risicoscores zijn historisch vooral getest op mannelijke proefpersonen. Gevolg:

• Bijwerkingen komen bij vrouwen later of heftiger aan het licht.
• Vrouwen krijgen soms een te hoge dosering omdat is gerekend met het “gemiddelde lichaam” (lees: man van ~80 kg).
• Aandoeningen die bij vrouwen anders verlopen, worden later herkend.

Een bekend voorbeeld is hart- en vaatziekten:

• Vrouwen presenteren zich vaker met atypische klachten (moeheid, misselijkheid, kaak- of rugpijn) in plaats van de klassieke drukkende pijn op de borst.
• Standaarddiagnostiek en -vragenlijsten zijn jarenlang op het mannelijk klachtenpatroon afgestemd.

2. Klachten van vrouwen worden sneller geminimaliseerd

Tielen raakt een gevoelige snaar als ze zegt dat er lacherig wordt gedaan over klachten van vrouwen. In de praktijk zie je bijvoorbeeld:

• menstruatiepijn die wordt weggezet als “hoort erbij”;
• overgangsklachten die worden afgedaan als “stress” of “drukte met werk en gezin”;
• chronische pijn en vermoeidheid die sneller in het hoekje psychisch belanden.

Dat heeft twee effecten:

1. Latere diagnose (bijvoorbeeld endometriose, auto-immuunziekten, hartziekten).
2. Minder passende behandeling, waardoor klachten onnodig lang blijven bestaan.

3. Leefstijl en rolpatronen werken ongelijk uit

Vrouwen en mannen hebben gemiddeld een andere combinatie van werk, zorgtaken en inkomen. In Nederland dragen vrouwen nog steeds het grootste deel van de mantelzorg en zorgtaken thuis. Dat betekent:

• meer chronische stress;
• minder tijd voor preventie, sport en herstel;
• vaker parttime werken met financieel minder ruimte voor bijvoorbeeld fysiotherapie of aanvullende zorg.

Kortom: de gezondheidskloof is niet alleen biologisch, maar ook cultureel en organisatorisch. En juist die twee laatste zijn beïnvloedbaar.

Nationale Strategie Vrouwengezondheid: kans of papieren tijger?

De Nationale Strategie Vrouwengezondheid wil deze ongelijkheid verkleinen. De inzet: structureel aandacht voor vrouwengezondheid in onderzoek, richtlijnen, preventie en organisatie van zorg.

De grote vraag is: hoe zorg je dat dit geen eenmalig beleidsdocument wordt, maar voelbaar wordt in spreekkamers, EPD’s en algoritmes?

Wat deze strategie moet raken in de praktijk

Als je het doorvertaalt naar de werkvloer, gaat het om veranderingen op minimaal drie niveaus:

1. Consultvoering en triage
   – Vragenlijsten en triageprotocollen die expliciet rekening houden met sekse en gender.
   – Scholing over sekse- en genderverschillen in klachtenpresentatie.

2. Onderzoek en kwaliteitsdata
   – Verplichte seksespecifieke analyses in onderzoeksdata.
   – Registratiesystemen die vrouw-man-verschillen zichtbaar maken.

3. Financiering en preventie
   – Preventieprogramma’s die zijn toegesneden op vrouwenlevens (denk aan werkdruk, mantelzorg, zwangerschap, overgang).
   – Bekostiging die ruimte geeft aan vroegsignalering en begeleiding, niet alleen aan dure interventies achteraf.

Hier ligt een directe link met AI in de zorg. Want wie nu nieuwe digitale tools bouwt zonder sekse- en genderverschillen mee te nemen, programmeert het oude onrecht gewoon door.

Hoe bias in data en AI vrouwengezondheid ondermijnt

AI in de zorg wordt gepresenteerd als objectief en slim. Maar AI is niet neutraal. Een algoritme is zo eerlijk als de data en aannames waar het mee is gevoed.

Typische valkuil: historische data klakkeloos gebruiken

Stel, een ziekenhuis bouwt een AI-model dat voorspelt welke patiënten met pijn op de borst een hoog risico hebben op een infarct en direct een cardioloog moeten zien. Het model wordt getraind op historische EPD-data.

In die historische data zitten echter allerlei blinde vlekken:

• Vrouwen met atypische klachten zijn minder vaak gediagnosticeerd met een infarct.
• Vrouwen kregen soms een andere, mildere diagnose (bijvoorbeeld “angst” of “hyperventilatie”).
• Mannen zijn oververtegenwoordigd in de cardiologiepopulatie.

Het algoritme “leert” dan:

klachtenpatroon X + vrouw = laag risico.

Gevolg: dezelfde bias, maar nu verpakt in een ogenschijnlijk objectief scoringsmodel. Dit is precies wat we níet moeten willen in een tijd waarin we gezondheidsverschillen willen verkleinen.

Waar zie je dit nog meer misgaan?

Een paar veelvoorkomende risico’s:

• Beslisregels in spoedzorg die slechter scoren bij vrouwen, bijvoorbeeld bij hartklachten of beroerte.
• Pijnscores en pijnmedicatie: vrouwen krijgen in sommige settings minder vaak adequate pijnstilling, wat weer terugkomt in de data.
• GGZ-triage: vrouwen bij wie lichamelijke klachten psychisch worden gelabeld, terwijl er een somatische oorzaak is.

Als je die data zonder correctie in een AI-toepassing stopt, versterk je bestaande patronen. Je krijgt dan snellere ongelijkheid in plaats van snellere zorg.

Hoe je AI juist inzet om gezondheidsverschillen te verkleinen

De realiteit is simpeler dan veel mensen denken: met een paar bewuste ontwerpkeuzes kun je AI in de zorg juist gebruiken als vergrootglas voor ongelijkheid én als stuurinstrument om bij te sturen.

1. Begin met de vraag: voor wie werkt dit (nog) niet?

Bij ieder AI-project zou één vraag standaard moeten terugkomen:

“Werkt dit algoritme even goed voor vrouwen als voor mannen?”

Dat betekent concreet:

• Altijd geslachtsgestratificeerde performance-analyses (sensitiviteit, specificiteit, AUC gesplitst naar vrouwen/mannen).
• Waar mogelijk ook kijken naar leeftijdsgroepen, etniciteit en sociaal-economische status, omdat ongelijkheid daar vaak optelt.

Als je hier verschillen ziet, is dat geen reden om het project stop te zetten, maar een signaal: hier zit een blinde vlek in onze data of in het zorgproces.

2. Verrijk historische data in plaats van kopiëren

Wanneer je weet dat vrouwen in het verleden ondergediagnosticeerd zijn voor bepaalde aandoeningen, kun je:

• datasets herwegen of aanvullen met externe evidence (bijvoorbeeld uit studies die juist op vrouwen gericht zijn);
• labelprocessen opnieuw tegen het licht houden (klopt de “gouden standaard”-diagnose wel?);
• modelbouwers laten werken met causale in plaats van puur correlatieve modellen waar dat kan.

Dit vraagt samenwerking tussen:

• medisch specialisten en huisartsen;
• data scientists en AI-ontwikkelaars;
• bestuurders en kwaliteitsmedewerkers.

De enige manier om bias uit een model te krijgen, is bias expliciet maken in het gesprek.

3. Gebruik AI om verschillen zichtbaar te maken op je dashboard

AI hoeft niet per se beslissingen te nemen. Het kan ook patronen laten zien waar je normaal overheen kijkt. Denk aan dashboards waarop je per organisatie of regio ziet:

• gemiddelde tijd tot diagnose bij vrouwen vs. mannen (bijvoorbeeld bij hartziekten of auto-immuunziekten);
• verschillen in medicatiedoseringen en bijwerkingen per geslacht;
• doorlooptijden van verwijzing naar specialistische vrouwenzorg.

Dat soort informatie nodigt uit tot actie:

• gesprekken in vakgroepen (“Waarom duurt de diagnose bij vrouwen bij ons 3 maanden langer?”);
• gerichte scholing en protocollaire aanpassingen;
• regionale afspraken over triage en verwijzing.

4. Betrek vrouwen zelf in ontwerp en evaluatie

Een AI-tool bouwen over vrouwengezondheid zonder vrouwen aan tafel is vragen om gedoe. Beter:

• betrek patiëntenraden en ervaringsdeskundigen expliciet bij de requirements;
• test prototypes met vrouwelijke patiënten uit verschillende levensfasen (jongvolwassen, rond zwangerschap, overgang, oudere leeftijd);
• vraag gericht: “Waar zie je jezelf hier misgegaan worden?”

Je voorkomt niet alle fouten, maar je haalt er wel veel uit vóórdat ze in productie komen.

Wat kun je morgen al doen in jouw organisatie?

Of je nu bestuurder, arts, verpleegkundige, beleidsmaker of AI-projectleider bent, er zijn meteen stappen te zetten.

Voor bestuurders en beleidsmakers

• Neem vrouwengezondheid expliciet op in je datastrategie.
  Vraag bij elk nieuw AI- of datasproject: hoe borgen we sekse- en genderverschillen?
• Koppel de Nationale Strategie Vrouwengezondheid aan je innovatieagenda.
  Maak budget vrij voor projecten die zowel AI als vrouwengezondheid adresseren.
• Vraag om gesplitste stuurinformatie.
  Laat kwaliteits- en managementrapportages standaard cijfers voor vrouwen en mannen apart tonen.

Voor artsen, verpleegkundigen en andere zorgprofessionals

• Herken je eigen reflexen.
  Vraag jezelf bij vage klachten af: zou ik bij een man dezelfde conclusie trekken? Of andersom.
• Vraag actief door op vrouw-specifieke thema’s zoals cyclus, anticonceptie, zwangerschap, overgang, mantelzorglast.
• Denk mee met AI-projecten.
  Claim een plek aan tafel wanneer jouw organisatie nieuwe beslissingsondersteuning of triagetools ontwikkelt.

Voor data scientists en AI-teams

• Maak sekse en gender vaste analysecategorieën.
  Geen model live zonder performance per geslacht inzichtelijk.
• Documenteer bias expliciet.
  Schrijf in modelcards en documentatie welke beperkingen er zijn voor vrouwen en mannen.
• Werk iteratief met de praktijk.
  Ga regelmatig terug naar klinische teams met de vraag: waar voelt dit model “oneerlijk” aan in de praktijk?

Waarom dit nu urgent is – juist in 2025

De combinatie van twee bewegingen maakt dit jaar spannend:

1. De Nationale Strategie Vrouwengezondheid zet ongelijkheid formeel op de agenda.
2. De explosie van AI-toepassingen in de Nederlandse zorg maakt dat beslissingen steeds vaker (mede) door algoritmes worden beïnvloed.

We staan op een kruispunt. Óf we zetten AI in als versneller van bestaande ongelijkheid, óf we gebruiken het als instrument om precies die ongelijkheid eindelijk systematisch aan te pakken.

Mijn stelling: organisaties die nu vrouwengezondheid en AI slim combineren, lopen over een paar jaar voorop in kwaliteit, uitkomsten én tevreden patiënten.

Als jouw instelling serieus werk wil maken van vrouwengezondheid én verantwoord AI-gebruik, is dit hét moment om dat samen te brengen.

Neem de Nationale Strategie Vrouwengezondheid niet alleen als beleidsdocument, maar als ontwerpvraag voor je volgende dataproject:

Hoe zorgen we dat elk algoritme, elk dashboard en elk protocol de gezondheidsverschillen tussen vrouwen en mannen kleiner maakt – en nooit groter?