AI maakt ROP-screening op de NICU sneller, objectiever en minder belastend. Zo leg je als Nederlands ziekenhuis nu al de basis voor slimme, zachtere geboortezorg.
AI op de NICU: sneller en zachter screenen van prematuren
In Nederlandse NICU’s wordt elk extra prikje, elk onderzoek en elke verplaatsing van een prematuur kindje zorgvuldig afgewogen. Deze baby’s hebben nauwelijks reserves en elke stresspiek telt. Toch vragen aandoeningen als retinopathy of prematurity (ROP) om intensieve en herhaalde oogcontroles om blindheid te voorkomen.
Hier wringt het. Het huidige ROP-onderzoek is technisch complex, belastend voor het kind en tijdrovend voor schaarse specialisten. De realiteit? Dit kan slimmer. AI-toepassingen laten nu zien dat oogonderzoek bij prematuren zowel sneller, objectiever als minder invasief kan. En dat is precies waar de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg” over gaat: AI niet als speeltje in het lab, maar als praktisch hulpmiddel aan het bed.
In deze blog neem ik je mee in wat er internationaal al gebeurt rond AI en oogonderzoek op de NICU, wat dat betekent voor Nederlandse ziekenhuizen Ă©n hoe je als zorgorganisatie hier nu al strategisch op kunt voorsorteren.
Waarom ROP-screening zo’n pijnpunt is in de neonatale zorg
ROP ontstaat bij vroeggeboorte door onrijpe bloedvaten in het netvlies. In de zuurstofrijke omgeving van de NICU kunnen die vaten afwijkend gaan groeien, met risico op bloedingen, netvliesloslating en blindheid. In de VS krijgen jaarlijks zo’n 14.000 baby’s de diagnose ROP; ongeveer 1.100–1.500 van hen hebben een behandeling nodig. De verhoudingen in Europa liggen vergelijkbaar.
De screening is essentieel, maar in de praktijk zwaar:
- De baby moet worden gefixeerd en krijgt vaak druppels en een oogspreider.
- Tijdens het onderzoek treden niet zelden dalingen in ademhaling en hartslag op.
- Het onderzoek is technisch lastig en moet regelmatig worden herhaald.
- Er is schaarste aan ervaren oogartsen en neonatale retinofotografen.
Daar komt nog iets bij: de interpretatie van de beelden is niet altijd eenduidig. De mate waarin bloedvaten “kronkelen” (tortuositeit) bepaalt of een kind behandeld moet worden. Arts A kan een beeld als pre-plus beoordelen, terwijl arts B hetzelfde beeld als plus disease ziet, met andere behandelkeuzes tot gevolg.
Voor neonatologen en oogartsen in Nederland is dit herkenbaar: hoge druk op capaciteit, complexe logistiek (zeker in regionale samenwerkingsverbanden) en een onderzoek dat emotioneel zwaar is voor ouders Ă©n zorgverleners.
Hoe AI retinobeelden vertaalt naar een objectieve risicoscore
AI verandert dit speelveld fundamenteel door retinobeelden niet alleen te classificeren, maar te kwantificeren. In plaats van drie subjectieve categorieën (plus / pre-plus / geen plus) kan een algoritme de ernst van vaatveranderingen uitdrukken in een schaal, bijvoorbeeld 1 tot 9.
Die zogenaamde vascular severity score doet drie dingen tegelijk:
-
Maakt de beoordeling objectief
Het model meet tortuositeit en vaatdikte op pixelniveau, consequent en reproduceerbaar. Dat haalt een groot deel van de interobserver-variatie eruit. -
Versnelt de triage
Eén scherp beeld is genoeg om een risicoscore te berekenen. Baby’s met een lage score hoeven mogelijk minder vaak uitgebreid lichamelijk onderzoek; de focus gaat naar de hoogrisicogroep. -
Creëert een gemeenschappelijke taal
Een score van bijvoorbeeld 7 op 9 zegt meer dan “ik vind het er behoorlijk afwijkend uitzien”. Teams van neonatologen, oogartsen en verpleegkundigen kunnen sneller tot gezamenlijke besluiten komen.
Zoals een van de betrokken oogartsen in het onderzoek aangeeft:
“De score geeft mij direct richting in het behandelplan. Het schept een gemeenschappelijke taal voor alle zorgverleners.”
Voor de Nederlandse context betekent dit: minder afhankelijkheid van Ă©Ă©n superspecialist, meer mogelijkheden voor regionale afspraken en betere overdracht tussen centra.
Van oogzorg naar oculomics: het oog als venster op het hele lichaam
De interessantste ontwikkeling gaat verder dan ROP alleen. Onderzoekers werken aan oculomics: het gebruiken van netvliesbeelden om systemische aandoeningen te voorspellen. Het netvlies is letterlijk een uitstulping van het centrale zenuwstelsel, met fijnvertakte bloedvaten. Veranderingen daar geven vaak vroeg signalen van bredere problemen.
AI-modellen laten inmiddels zien dat je uit retinobeelden niet alleen ROP, maar ook andere aandoeningen kunt afleiden, zoals:
- Pulmonale hypertensie (PH) – verhoogde druk in de longvaten
- Bronchopulmonale dysplasie (BPD) – chronische longziekte bij prematuren
Het opvallende: deze signalen verschijnen in de AI-analyse soms weken vóórdat klassieke, vaak invasieve diagnostiek (zoals katheterisatie) afwijkingen toont. Voor NICU-teams betekent dat:
- Vroegere identificatie van risicokinderen
- Gerichtere follow-up na ontslag
- Mogelijkheid tot meer gepersonaliseerde zorgpaden
Dit past naadloos in de Nederlandse beweging richting passende zorg: de juiste zorg, op de juiste plek, op het juiste moment – met zo min mogelijk belasting voor de patiënt.
Wat kunnen Nederlandse NICU’s hier nu concreet mee?
De stap van een mooi onderzoeksresultaat in Colorado naar de dagelijkse praktijk in Groningen, Maastricht of Rotterdam is natuurlijk groot. Toch zijn er duidelijke, praktische lijnen te trekken voor Nederlandse zorgorganisaties.
1. Zie AI-screening als een workflowvraag, niet alleen als techniek
De fout die ik vaak zie: AI wordt benaderd als een losstaand project (“we kopen een algoritme”). Terwijl de échte vragen zijn:
- Wie maakt de beelden en op welk moment in het zorgpad?
- Hoe komt de AI-score in het EPD of NICU-dossier?
- Wie is eindverantwoordelijk voor de interpretatie?
- Hoe bespreken we uitkomsten met ouders?
Implementatieonderzoek, zoals nu gebeurt rondom deze AI-modellen, richt zich precies op die punten. Zonder goed doordachte workflow blijft AI een proefballonnetje dat na de pilot weer leegloopt.
2. Combineer AI voor oogzorg met andere NICU-innovaties
AI op de NICU hoeft niet bij de ogen te stoppen. Een mooi voorbeeld is Pose-AI, een deep learning-tool die houdings- en bewegingspatronen van prematuren analyseert op basis van gewone NICU-videobeelden. Deze tool kan lethargie en cerebrale disfunctie met hoge nauwkeurigheid voorspellen, zonder extra sensoren of ingrepen.
Zet je dat naast AI-shells voor ROP en oculomics, dan ontstaat een krachtig beeld:
- Visuele data (retina, video) worden continu en grotendeels non-invasief geanalyseerd.
- AI signaleert subtiele veranderingen eerder dan het menselijke oog.
- Het NICU-team krijgt een “early warning system” voor neurologische én vasculaire problemen.
Voor Nederlandse NICU’s is dit hét moment om een integrale visie op AI-monitoring te formuleren, in plaats van losse pilots per aandoening.
3. Denk vooruit over training, governance en ethiek
Wie met AI in de geboortezorg aan de slag gaat, moet drie randvoorwaarden serieus nemen:
-
Training van professionals
Neonatologen, AI-champions en verpleegkundig specialisten moeten begrijpen wat een model doet, waar de grenzen liggen en hoe je een AI-score weegt in de kliniek. -
Data- en modelgovernance
Heldere afspraken over datakwaliteit, bias, hertraining en aansprakelijkheid. Zeker bij kwetsbare groepen, zoals prematuren, is transparantie richting ouders essentieel. -
Communicatie met ouders
Ouders van een kind op de NICU leven in een emotionele achtbaan. Uitleg over wat AI doet (“ondersteunt de arts”, “neemt de beslissing niet over”) moet concreet en begrijpelijk zijn. Niet technisch, wel eerlijk.
Hier ligt een duidelijke taak voor ziekenhuisbesturen, AI-programmamanagers en medisch-ethische commissies. AI voor NICU-zorg is geen ver-van-mijn-bed-show meer; het vraagt nu om beleid.
Praktische stappen voor Nederlandse ziekenhuizen en zorgnetwerken
Voor organisaties die mee willen doen aan de toekomst van AI in de neonatale zorg, werkt een stapsgewijze aanpak meestal het beste.
Stap 1: Breng huidige NICU-diagnostiek in kaart
- Hoeveel prematuren worden jaarlijks gescreend op ROP?
- Wie voert de onderzoeken uit en waar zitten de grootste knelpunten?
- Hoe vaak is herbeoordeling nodig door een tweede specialist?
Deze nulmeting helpt om later baten van AI (minder herbeoordelingen, kortere onderzoekstijd, minder belasting voor het kind) hard te maken.
Stap 2: Start met een gericht AI-usecase
Kies Ă©Ă©n duidelijk afgebakende toepassing, bijvoorbeeld:
- AI-ondersteunde triage van retinobeelden voor ROP
- AI-analyse als tweede lezer naast de oogarts
Beperk de scope, maar pak het wél professioneel aan: multidisciplinair team, duidelijke KPI’s, juridisch en ethisch geborgd.
Stap 3: Organiseer regionale samenwerking
Niet elk ziekenhuis hoeft eigen modellen te ontwikkelen. In de Nederlandse zorg is regionale samenwerking de norm, zeker in geboortezorgnetwerken. Denk aan:
- Gedeelde beeldinfrastructuur
- Regionale afspraken over wie welke AI-diensten aanbiedt
- Uniforme verslaglegging en scoresystemen
Dit sluit mooi aan bij het bredere programma “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg”, waar standaardisatie, interoperabiliteit en gedeeld leren centraal staan.
Stap 4: Betrek ouders en patiëntenorganisaties
Laat ouders meedenken over:
- Hoe zij geĂŻnformeerd willen worden over AI-gebruik
- Wat voor hen “minder belastend onderzoek” precies betekent
- Welke uitkomsten voor hen het belangrijkst zijn (bijvoorbeeld minder sedatie, kortere onderzoeken of minder nachtelijke verstoringen)
Zonder dit gesprek loop je het risico een technisch goed werkende oplossing te bouwen die niet aansluit bij wat gezinnen nodig hebben.
Waarom dit hét moment is om in NICU-AI te investeren
Oogziekten bij prematuren en langdurige long- en hersenschade zijn precies die domeinen waar vroege diagnostiek het verschil maakt voor een heel leven. AI biedt hier geen futuristisch speeltje, maar een concreet instrument om:
- sneller en objectiever te screenen,
- zorg minder invasief te maken voor de kleinste patiënten,
- Ă©n eerder in te grijpen bij ernstige complicaties.
Voor Nederlandse zorgorganisaties die serieus werk willen maken van AI in de zorg, is de NICU daarmee een logische proeftuin: datagedreven, hooggespecialiseerd en met een enorm potentieel gezondheidswinst per patiënt.
De vraag is dus niet of AI haar intrede doet op de NICU, maar hoe je als ziekenhuis of netwerk de regie pakt. Wie nu begint met doordachte pilots, heldere governance en betrokkenheid van ouders, ligt in 2026 niet alleen technologisch, maar ook organisatorisch voor.
Wil je als organisatie verder kijken dan losse AI-pilots en structureel bouwen aan slimme, mensgerichte zorg? Dan is dit precies het soort usecase waar je vandaag mee aan tafel zou moeten zitten.