Concentratie van ziekenhuiszorg: hoe AI de impasse kan doorbreken

Waarom concentratie van zorg vastloopt – en waar AI kan helpen

In 2025 wordt in Nederland méér dan ooit gepraat over concentratie en spreiding van ziekenhuiszorg. Kinderhartchirurgie, acute netwerken, oncologie: iedereen is het erover eens dat niet elk ziekenhuis alles kan blijven doen. Toch gaat de uitvoering stroef. Heel stroef, zoals vertrekkend ETZ-bestuursvoorzitter Bart Berden het noemt.

Dat is geen theoretische discussie. Het gaat over reistijd voor kwetsbare patiënten, kwaliteit van complexe ingrepen, opleidingsmogelijkheden voor artsen én de betaalbaarheid van de zorg. Tegelijk ligt er enorme druk op de arbeidsmarkt en vraagt passende zorg om andere keuzes dan “meer volume”.

Hier komt iets samen wat in deze blogserie centraal staat: AI in de Nederlandse zorg. Want veel van de blokkades rond concentratie en spreiding zijn uiteindelijk informatie- en coördinatieproblemen. Precies het terrein waar slimme data-analyse en AI het verschil kunnen maken.

In deze blog pak ik drie dingen aan:

• waarom de huidige manier van concentreren en spreiden vastloopt;
• hoe volumennormen en belangen botsen met passende zorg;
• concrete manieren waarop AI en data-gedreven sturing Nederlandse ziekenhuizen kunnen helpen om uit de impasse te komen.

Het probleem: volumennormen zonder echte visie op spreiding

De kern van de kritiek van Bart Berden is helder: hoogcomplexe zorg concentreren lukt maar moeizaam, en over spreiding van basiszorg is nauwelijks serieus nagedacht.

Volumennormen geven de verkeerde prikkel

Volumennormen zijn ooit ingevoerd met de beste bedoeling: meer ervaring leidt meestal tot betere kwaliteit. Maar in de praktijk werken ze vaak scheef:

• Ziekenhuizen gaan “uitruilen” van ingrepen om de norm te halen, in plaats van te sturen op uitkomsten.
• De prikkel wordt: meer doen in plaats van beter doen.
• Passende zorg – dus niet behandelen als het niet nodig is – komt onder druk, omdat elke ingreep telt voor het volume.

Of zoals een reageerder onder het Zorgvisie-artikel scherp stelde: volume is een proxy voor kwaliteit, maar lijkt de interesse in de daadwerkelijke kwaliteit te doen afnemen. Daar ben ik het ronduit mee eens.

Spreiding van zorg is nog amper uitgewerkt

Terwijl er eindeloos wordt gesproken over het sluiten of concentreren van complexe functies, blijft één vraag onderbelicht: wat betekent dat voor de spreiding en organisatie van alle andere zorg? Denk aan:

• hoe de basis-SEH en acute verloskunde worden georganiseerd in een regio;
• welke ziekenhuiszorg verschuift naar huisartsen, eerstelijns diagnostiek of digitale zorg;
• wat dit betekent voor reistijd, wachttijden en kwetsbare patiënten.

De realiteit is dat er vaak per zorgprogramma of per specialisme wordt onderhandeld, maar zelden integraal per regio wordt gekeken: wat is hier wijs, kijkend naar demografie, zorgvraag, reistijd, capaciteit en kwaliteit?

Precies daar ligt een enorme kans voor AI-ondersteunde regioplanning.

Waarom dit zo vastloopt in de praktijk

De meeste ziekenhuizen en regio’s willen best samenwerken. Maar toch strandt het proces vaak in eindeloze overleggen, politieke gevoeligheden en gebrek aan vertrouwen in cijfers.

Botsende belangen en beperkte transparantie

Ziekenhuizen zijn concurrenten én partners tegelijk. Medisch specialisten zijn deels ondernemers, deels teamleden. Zorgverzekeraars sturen op kosten en kwaliteit, maar worden ook gewantrouwd. Dat maakt elk gesprek over concentratie beladen:

• Niemand wil zijn afdeling of opleidingsfunctie verliezen.
• Lokale politiek vreest sluiting of “uitholling” van het ziekenhuis.
• Patiëntenorganisaties zijn bang voor langere reistijden.

Zonder gedeelde, betrouwbare data is het dan bijna onmogelijk om rationele besluiten te nemen. Als iedereen met eigen tabellen komen slepen, krijg je discussie over definities, niet over oplossingen.

Fragmentatie van informatie

Een groot deel van de relevante informatie zit vast in:

• EPD’s van individuele ziekenhuizen;
• DBC-registraties en declaratiegegevens bij zorgverzekeraars;
• regionale wachttijden, vaak in Excel-lijsten en mails;
• kwaliteitsregistraties die lastig koppelbaar zijn.

Zolang je dit niet samenbrengt, kun je eigenlijk geen serieuze afweging maken over concentratie en spreiding van ziekenhuiszorg. Dan wordt beleid vooral gebaseerd op gevoel, macht en lobby, niet op uitkomsten en scenario’s.

En precies dat kan – eerlijk gezegd: moet – anders met AI en geavanceerde data-analyse.

Hoe AI concentratie en spreiding wél bestuurbaar maakt

Als je de discussies rond concentratie van zorg terugbrengt tot hun essentie, gaat het om drie vragen:

1. Waar is hoogcomplexe zorg het veiligst en het best belegd?
2. Hoe organiseer je de spreiding van basiszorg en acute zorg daaromheen?
3. Wat betekent dat voor patiënten, personeel en financiën in de regio?

AI kan voor alle drie structureel helpen.

1. Van volumennormen naar uitkomst-gestuurde besluitvorming

De eerste stap is stoppen met volume als einddoel. AI kan helpen om uitkomsten, complicaties, heropnames, functioneren en patiëntervaring structureel mee te nemen in beslissingen over concentratie.

Concreet:

• AI-modellen kunnen patronen vinden in grote aantallen behandeltrajecten en aangeven waar de uitkomsten aantoonbaar beter zijn.
• In plaats van een platte volumennorm per jaar, kun je sturen op een combinatie van:
  • minimaal volume (ervaring),
  • aantoonbare kwaliteit (uitkomstmaten),
  • risicogecorrigeerde sterfte/complicatiecijfers,
  • patiëntervaringen.

Dat geeft een veel eerlijker basis voor de vraag: welk centrum moet wat doen? En het haalt een deel van de emotie uit de discussie, omdat de focus verschuift van “wie mag het doen?” naar “waar zijn patiënten aantoonbaar het beste af?”.

2. AI-ondersteunde regiomodellen voor concentratie én spreiding

De tweede stap is het ontwerpen van slimme regioconfiguraties. Denk aan AI-modellen die scenario’s kunnen doorrekenen:

• Wat gebeurt er met reistijd per patiëntgroep als je bepaalde ingrepen in minder centra onderbrengt?
• Hoe verandert de werkdruk op SEH’s en IC’s als één ziekenhuis zijn acute functie afbouwt?
• Wat zijn de effecten op wachttijden, ligduur en doorstroming in de keten?

Met moderne optimalisatie-algoritmen (die ook in logistiek en openbaar vervoer worden gebruikt) kun je scenario’s bouwen zoals:

• “Concentreer complexe oncologische chirurgie in twee centra, behoud basiszorg in alle ziekenhuizen.”
• “Concentreer 24/7-IC-capaciteit in drie locaties, maar zorg voor stevige regionale tele-IC-ondersteuning.”

De uitkomsten kun je visualiseren op regiokaarten, dashboards en eenvoudige scenario-overzichten. Bestuurders, medisch specialisten, huisartsen en patiëntenvertegenwoordigers kunnen dan op basis van dezelfde feiten praten over:

• welke scenario’s optimaal zijn voor kwaliteit;
• welke sociaal en politiek acceptabel zijn;
• welke fasering realistisch is (2026, 2028, 2030).

De kracht: je verschuift van gevoelsdiscussie naar transparante scenarioverkenning.

3. Werklast, personeelskrapte en roosterplanning met AI

Elke discussie over concentratie raakt ook de personeelskrapte. Als je zorg concentreert, maar de roosters voor OK, IC en verpleging niet kloppen, gaat de kwaliteit alsnog onderuit.

Hier zie ik in de praktijk dat AI-tools echt verschil maken:

• AI-ondersteunde roosterplanning kan personeelsinzet afstemmen op verwachte zorgvraag, seizoenspatronen en acute pieken.
• Predictive analytics kan helpen voorspellen hoeveel IC- en bedcapaciteit nodig is na concentratie van bepaalde ingrepen.
• Simulaties kunnen laten zien: als we dit zorgpad concentreren, hebben we X extra OK-blokken en Y extra verpleegkundigen nodig.

Dat maakt landen van een concentratiebesluit niet alleen medisch inhoudelijk, maar ook operationeel uitvoerbaar.

4. Passende zorg: AI als rem op onnodig volume

Berden wijst er terecht op dat volumennormen kunnen botsen met passende zorg. AI kan hier juist een corrigerende rol spelen:

• Beslis-ondersteunende systemen (CDS) in het EPD kunnen artsen helpen overbehandeling te vermijden: bijvoorbeeld door richtlijnen, risico-inschattingen en uitkomstdata te tonen op het moment van beslissen.
• Predictiemodellen kunnen aangeven wanneer een operatie of opname waarschijnlijk weinig toevoegt aan kwaliteit van leven, zeker bij kwetsbare ouderen of mensen met multimorbiditeit.
• In plaats van “we hebben nog volume nodig voor de norm”, schuift de focus naar “voor wie is dit echt zinvol?”.

Hier zie je hoe AI in de Nederlandse zorg niet alleen voor meer efficiëntie zorgt, maar ook morele steun biedt aan professionals die wíllen afremmen, maar zich gevangen voelen in productieprikkels.

Praktische stappen voor ziekenhuizen en regio’s in 2026

Veel raden van bestuur, RSO’s en IZA-regio’s weten dat er iets moet gebeuren, maar worstelen met de vraag: waar begin je? Dit is een aanpak die in mijn ervaring werkbaar is.

1. Start met een gezamenlijke datatafel in de regio

Zonder gedeelde data blijft alles hangen in meningen. Organiseer daarom een regionale datatafel met:

• alle ziekenhuizen uit de regio;
• zorgverzekeraars;
• huisartsenkring en VVT-zorg;
• eventueel GGD en patiëntenorganisaties.

Maak heldere afspraken over:

• welke data je deelt (geanonimiseerd/pseudonimiseerd waar nodig);
• hoe je privacy en AVG borgt;
• welke vragen je eerst wilt beantwoorden (bijvoorbeeld SEH, IC, oncologie).

2. Bouw AI-modellen rond concrete use-cases

Begin niet met een megaproject, maar met twee à drie heel concrete vragen, zoals:

• Waar zijn de uitkomsten van complexe oncologische chirurgie aantoonbaar beter, gecorrigeerd voor risico’s?
• Wat zijn de reistijden per wijk als we spoedeisende verloskunde concentreren in twee in plaats van drie locaties?
• Welke effecten hebben verschillende SEH-scenario’s op wachttijden en opnamecapaciteit?

Laat data scientists, AI-experts en zorgprofessionals samen deze modellen ontwerpen. De inhoudelijke artsen en verpleegkundigen moeten herkenning hebben: ja, dit klopt ongeveer met wat ik zie op de werkvloer.

3. Zorg dat AI geen “black box” wordt

Vertrouwen is cruciaal. AI die adviezen geeft over concentratie en spreiding van ziekenhuiszorg moet uitlegbaar zijn. Dat betekent:

• transparant zijn over welke bronnen en variabelen worden gebruikt;
• scenario’s inzichtelijk maken met kaarten, grafieken en simpele uitleg;
• artsen en bestuurders de mogelijkheid geven om aannames te bevragen.

Als AI wordt ervaren als ondoorzichtige rekenmachine, zal niemand zijn ziekenhuisbeleid erop durven baseren.

4. Verbind AI-projecten expliciet aan IZA en passende zorg

Zorg dat AI-projecten rond concentratie van zorg niet in een zijlijn belanden. Verbind ze expliciet aan:

• regioplannen binnen het Integraal Zorgakkoord;
• afspraken over passende zorg en het verminderen van niet-zinnige zorg;
• scholing van professionals, zodat ze AI-adviezen goed kunnen interpreteren.

Dan wordt AI geen speeltje van de afdeling data & analytics, maar een strategisch instrument voor de hele regio.

Waarom dit nu het moment is om te kiezen voor AI-gestuurde concentratie

De Nederlandse zorg staat in december 2025 op een kruispunt. De fusiegolf is stilgevallen, grote ziekenhuisconcerns worden teruggeschroefd, en samenwerking in netwerken komt ervoor in de plaats. Tegelijk komen arbeidsmarkttekorten en financiële druk snoeihard binnen.

Blijven hangen in abstracte discussies over volumennormen en “zorg dichtbij” is geen optie meer. Als we niks doen, sturen we blind verder op de oude prikkels en lopen we vast in wachtlijsten, uitgeput personeel en ondoorzichtige kwaliteitsverschillen.

AI biedt geen magische oplossing, maar wél de kans om:

• concentratie en spreiding van ziekenhuiszorg te baseren op
  • echte uitkomsten,
  • realistische scenario’s,
  • eerlijke afwegingen;
• volumennormen terug te brengen tot wat ze altijd hadden moeten zijn: een hulpmiddel, geen doel op zich;
• passende zorg centraal te zetten, ondersteund door data in plaats van ondermijnd door productieprikkels.

Wie in 2026 serieus werk wil maken van regionale samenwerking, komt dus bijna vanzelf uit bij dezelfde conclusie: zonder AI en data-gedreven sturing krijg je concentratie en spreiding niet goed geregeld.

De vraag is niet meer of AI een rol gaat spelen in de inrichting van de ziekenhuiszorg, maar wie het lef heeft om er nu al volwassen, transparant en samen met het veld mee aan de slag te gaan.