St. Antonius levert 20% meer acute hartzorg met hetzelfde team en halveert ambulancestops. Zo combineer je procesontwerp, data en toekomstige AI in de acute zorg.
Meer acute hartzorg met hetzelfde team: wat St. Antonius ons leert
Twee keer per dag de Eerste Harthulp op rood. Ambulances die moeten omrijden naar andere hartcentra. In totaal ongeveer een maand per jaar dicht voor acute hartpatiënten. Dat was de realiteit op de Eerste Harthulp (EHH) van het St. Antonius Hartcentrum in Nieuwegein.
Dat beeld past pijnlijk goed bij waar veel Nederlandse ziekenhuizen nu tegenaan lopen: steeds meer acute zorgvragen, terwijl het aantal zorgprofessionals nauwelijks groeit. Toch wist St. Antonius met hetzelfde aantal mensen 20% meer acute hartpatiënten te behandelen én het aantal ambulancestops te halveren.
Dit artikel laat zien hoe ze dat deden, welke rol data en (toekomstig) kunstmatige intelligentie spelen, en hoe je als ziekenhuis of zorgorganisatie deze lessen praktisch kunt toepassen.
De kern van het succes: het hele zorgpad opnieuw durven ontwerpen
De belangrijkste les uit Nieuwegein is helder: je wint capaciteit niet met losse verbeterprojectjes, maar met een integraal herontwerp van het zorgpad.
In St. Antonius waren er al eerder kleine initiatieven: procesaanpassingen op de EHH, hier en daar een andere werkwijze. Herkenbaar voor veel ziekenhuizen. Het effect bleef echter beperkt, terwijl de druk op de acute zorg alleen maar verder opliep.
Het kantelpunt kwam toen het ziekenhuis koos voor een ziekenhuisbreed traject, met drie duidelijke ingrediënten:
- een gezamenlijke visie op acute hartzorg;
- een grondige datagedreven analyse van de patiëntreis;
- multidisciplinaire teams met mandaat om echt door te pakken.
Medtronic Integrated Health Solutions (IHS) ondersteunde met analyse en veranderaanpak, maar de inhoudelijke keuzes lagen bij het Hartcentrum zelf. Dat is cruciaal: externe expertise versnelt, maar de verandering moet van binnenuit gedragen worden.
Dit past precies bij de bredere beweging rond AI in de Nederlandse zorg: technologie en analytics kunnen enorm helpen, maar alleen als professionals mee-ontwerpen en de regie houden.
Stap 1: intake en triage slimmer organiseren
Het eerste knelpunt zat in de voorkant van het proces: triage, verwijzing en de samenwerking met de keten.
Slimmer triagesysteem
St. Antonius introduceerde een verpleegkundig triagesysteem dat snel de urgentie per klachtenbeeld bepaalt. De essentie:
- klachten worden systematisch uitgevraagd;
- risico-indicatoren (zoals pijn op de borst, kortademigheid, ECG-afwijkingen, hemodynamische instabiliteit) worden direct meegewogen;
- de juiste professional (arts-assistent, cardioloog, verpleegkundig specialist) wordt meteen gekoppeld aan de juiste patiënt.
Nu komt de link met AI om de hoek kijken. Op dit moment is de triage vooral protocol- en ervaringsgestuurd. Maar juist dit soort gestructureerde beslismomenten is bij uitstek geschikt voor AI-beslisondersteuning:
- algoritmes die op basis van tientallen variabelen (ECG, vitale functies, labwaarden, voorgeschiedenis) een risicoscore geven;
- automatische waarschuwingen bij afwijkende patronen die een mens sneller over het hoofd ziet;
- suggesties voor vervolgdiagnostiek of observatieduur.
De praktijkervaring van St. Antonius vormt een ideaal vertrekpunt: het proces is nu gestroomlijnd en gestandaardiseerd, waardoor AI later veel eenvoudiger en veiliger ingevoerd kan worden.
Betere afstemming met verwijzers
Daarnaast werd de samenwerking met huisartsen en regionale ketenpartners aangescherpt:
- duidelijkere verwijscriteria;
- betere telefonische afstemming;
- meer voorspelbaarheid in de instroom.
Daardoor is de EHH beter voorbereid nog vóór de patiënt binnenkomt. In een volgende stap kun je hier AI toevoegen, bijvoorbeeld via beslisondersteuning in het huisartsinformatiesysteem: wanneer wel, wanneer niet direct verwijzen naar een Eerste Harthulp?
Gezamenlijk escalatieprotocol met de SEH
Tot slot ontwikkelden EHH en SEH samen een nieuw escalatieprotocol:
- duidelijke grenswaarden wanneer ‘oranje’ of ‘rood’ geldt;
- vaste communicatielijnen tussen SEH- en EHH-team;
- heldere afspraken over herverdeling van patiëntenstromen.
Hiermee functioneren SEH en EHH veel meer als één integraal acuut zorgteam. Voor de nabije toekomst kun je hier denken aan AI-gestuurde capaciteitsdashboards die real-time voorspellen wanneer de druk oploopt en waar bijgestuurd moet worden.
Stap 2: diagnostiek versnellen en ruimte anders gebruiken
De tweede grote opbrengst zat in de diagnostiek en de fysieke inrichting van de EHH.
Snellere troponine-diagnostiek
Een cruciale ingreep: de introductie van snelle troponine point-of-care-tests. Waar voorheen ongeveer vier uur nodig was om bij patiënten met pijn op de borst veilig een acuut coronair syndroom uit te sluiten, daalde dit naar ongeveer twee uur.
Het effect van zo’n verkorting is enorm:
- kortere verblijfsduur per patiënt;
- sneller duidelijkheid voor patiënt en team;
- minder bezetting van behandelplekken;
- meer ruimte voor nieuwe instroom.
Met AI kun je dit nog verder aanscherpen. Denk aan modellen die labwaarden, ECG en klinisch beeld combineren tot een gepersonaliseerde risicoscore: welke patiënt kan na 90 minuten al veilig naar huis, en wie moet juist langer blijven?
Van bed naar stoel: capaciteit zonder extra personeel
Een andere ogenschijnlijk simpele, maar impactvolle verandering: stabiele patiënten in comfortabele stoelen in plaats van bedden.
Voordelen:
- meer patiënten per vierkante meter, zonder het gevoel van ‘overvolle zalen’;
- patiënten ervaren meer bewegingsvrijheid en autonomie;
- bedden blijven beschikbaar voor écht instabiele patiënten.
Dit soort keuzes laat zien dat capaciteitswinst niet alleen uit technologie hoeft te komen. Maar óók hier kan AI ondersteunen, bijvoorbeeld door op basis van actuele risicoprofielen automatisch te bepalen welke patiënten veilig naar een stoelzone kunnen verplaatsen.
Stap 3: uitstroom en beddenplanning professioneler aanpakken
De derde bottleneck was de uitstroom: ongeveer de helft van de EHH-patiënten moet worden opgenomen. Als er dan geen klinische bedden zijn, loopt de hele EHH vast.
St. Antonius pakte dit op via:
- strakkere ontslagplanning vanuit de EHH;
- betere afstemming met de klinische afdelingen over beschikbare bedden;
- eerder in het proces nadenken: wie kan waarschijnlijk naar huis, wie heeft hoogstwaarschijnlijk een CCU- of klinisch bed nodig?
Hier ligt misschien wel de grootste kans voor AI in ziekenhuismanagement:
- voorspellen van beddencapaciteit op basis van historische patronen, weer, dag in de week, griepgolven;
- simulatiescenario’s: wat gebeurt er met de EHH als operatieprogramma X uitloopt?
- beslisondersteuning voor transfer en doorstroom naar vervolgzorg.
Ziekenhuizen die nu – net als St. Antonius – hun processen standaardiseren en databronnen op orde brengen, leggen de basis om dit soort AI-toepassingen in 2026 en verder verantwoord in te voeren.
Meetbare resultaten: 20% meer capaciteit en 50% minder ambulancestops
De aanpak in Nieuwegein leverde concrete, harde resultaten op:
- 20% meer opnamecapaciteit voor acute hartpatiënten met hetzelfde aantal zorgprofessionals;
- 50% minder ambulancestops door capaciteitsproblemen;
- kortere diagnostische wachttijden (vier naar twee uur bij pijn op de borst);
- vloeiendere patiëntenstroom, zonder dat de kwaliteit van zorg achteruitging.
Het meest relevante inzicht voor andere organisaties:
Capaciteitsproblemen in de acute zorg zijn vaak een proces- én informatieprobleem, geen puur personeelsprobleem.
Natuurlijk blijft de personeelstekort-crisis reëel. Maar dit soort projecten laat zien dat je met dezelfde bezetting flink meer zorg kunt leveren, zolang je:
- ketenbreed kijkt (van huisarts tot klinische afdeling);
- data serieus neemt;
- én zorgprofessionals actief laat meebouwen aan het nieuwe ontwerp.
Wat betekent dit voor jouw ziekenhuis of zorgorganisatie?
De casus van St. Antonius is geen ‘exotische uitzondering’. Veel Nederlandse ziekenhuizen herkennen dezelfde uitdagingen in hun acute zorgketen. Wat kun je hier concreet van meenemen, zeker als je óók met AI in de zorg aan de slag wilt?
1. Begin met proces en data, niet met gadgets
Voordat je AI inzet, moet je:
- de patiëntreis scherp in kaart hebben;
- weten waar de grootste knelpunten écht zitten (met data onderbouwd);
- processen standaardiseren zodat algoritmes betrouwbare input krijgen.
St. Antonius liet zien dat een goede datagedreven herontwerp-fase al op zichzelf grote winst oplevert. AI wordt dan de volgende logische stap, niet de eerste.
2. Betrek de hele acute keten vanaf dag één
Succesvolle projecten in acute zorg vragen om:
- betrokkenheid van EHH, SEH, cardiologie, radiologie, klinische chemie en verpleegafdelingen;
- nauwe samenwerking met huisartsen en ambulancediensten;
- bestuurders die knopen durven doorhakken.
AI-oplossingen hebben hetzelfde nodig: als alleen de IT-afdeling enthousiast is, gaat het niet werken. Pas wanneer verpleegkundigen, specialisten en managers samen achter het ontwerp staan, komt er duurzame verandering.
3. Bouw vandaag al aan AI-ready processen
Ook als je nog geen AI-oplossingen draait, kun je nu al:
- data gestandaardiseerd en gestructureerd vastleggen;
- beslismomenten expliciet maken (triage, opnamebeslissing, ontslagcriteria);
- dashboards bouwen waarop teams leren sturen.
Wanneer je daarna een AI-module toevoegt (bijvoorbeeld voor risicostratificatie of capaciteitsprognoses), sluit die naadloos aan op een vertrouwde werkwijze.
4. Houd de patiënt als kompas
In alle keuzes van St. Antonius stond één vraag centraal:
Hoe zorgen we dat de patiënt op het juiste moment, op de juiste plek, de juiste zorg krijgt?
Dat is ook de enige juiste vraag bij AI in de zorg. Niet: “Waar kunnen we AI kwijt?” maar: “Waar ervaart de patiënt, en het team, nu frictie – en kan AI helpen die weg te nemen?”
De volgende stap: van datagedreven naar AI-ondersteunde acute hartzorg
De casus van het St. Antonius Hartcentrum laat zien dat je vandaag al enorme stappen kunt zetten met procesontwerp en data-analyse. In de komende jaren zal daar steeds vaker kunstmatige intelligentie bovenop komen, bijvoorbeeld voor:
- triagebeslisondersteuning op de EHH en in de huisartsenpraktijk;
- voorspelling van instroom en beddenbehoefte op basis van real-time data;
- gepersonaliseerde risicoscores bij pijn op de borst en ritmestoornissen;
- slimme toewijzing van patiënten aan stoel- versus bedzones.
Ziekenhuizen die nu investeren in een strak ingericht zorgpad, goede datakwaliteit en multidisciplinaire samenwerking, hebben straks een voorsprong. Zij kunnen AI inzetten als natuurlijke volgende stap, niet als losstaand experiment.
Wie serieus werk wil maken van AI in de Nederlandse zorg, doet er goed aan het voorbeeld uit Nieuwegein niet alleen te bewonderen, maar vooral te vertalen naar de eigen organisatie. Begin bij je grootste acute knelpunt, zet de patiëntreis centraal, betrek de keten – en bouw aan processen die klaar zijn voor de volgende golf innovatie.
De realiteit? Het is minder ingewikkeld dan het lijkt, maar je moet wél durven kiezen.