Een Harvard-studie toont aan dat een AI-model uit 2024 patiënten in de spoedeisende hulp accurater diagnosticeert dan twee ervaren artsen. Dezelfde logica van snelle data-analyse en prioritering kun je direct toepassen op jouw bedrijfsprocessen, zoals het triëren van klantvragen of het versnellen van beslissingen op basis van ruwe data.

Wat er aan de hand is

Een onderzoek gepubliceerd in Science vergeleek OpenAI’s o1-preview model met twee artsen op de spoedeisende hulp. Het model kreeg 76 echte patiëntendossiers voorgelegd, alleen de ruwe tekst uit elektronische medische dossiers. Bij de eerste triage stelde het model in 67,1% van de gevallen de juiste diagnose, tegenover 55,3% en 50,0% voor de twee artsen. In één geval signaleerde de AI een zeldzame vleesetende infectie bij een transplantatiepatiënt, ongeveer 12 tot 24 uur voordat de behandelend arts het ontdekte. De beoordelaars konden niet onderscheiden welke diagnoses van het model kwamen en welke van de mensen. Het gebruikte model, o1-preview, dateert uit 2024 en is inmiddels meerdere generaties achter.

Wat dit betekent

De studie laat zien dat AI niet alleen nuttig is voor consumenten die gezondheidsvragen stellen, maar ook voor professionals die onder tijdsdruk complexe beslissingen moeten nemen. Het principe is universeel: een systeem dat ruwe, ongestructureerde data snel kan analyseren en prioriteren, presteert beter dan een mens die onder druk staat. Voor ondernemers betekent dit dat dezelfde techniek toepasbaar is op elk proces waar snelle triage nodig is: klantvragen sorteren, binnenkomende documenten beoordelen, of storingen in productieprocessen detecteren. De kern is dat AI niet per se beter hoeft te zijn dan een expert, maar dat het consistenter en sneller kan zijn in de eerste analyse.

Hoe je dit kunt toepassen

Als je een webshop runt met een groot aantal dagelijkse klantvragen. Je zou een AI-systeem kunnen inzetten om binnenkomende berichten te triëren op urgentie en onderwerp. Net zoals het model in de ER ruwe tekst analyseerde, kan een AI-model de tekst van klantvragen scannen en bepalen of het gaat om een retouraanvraag, een klacht over een defect product, of een eenvoudige vraag over levertijden. De dringende zaken krijgen voorrang, de standaardvragen worden gebundeld. Een mogelijkheid is om een bestaande AI-chatbot te trainen op historische klantgesprekken, zodat hij leert herkennen welke signalen wijzen op een probleem dat snel moet worden opgepakt.

Als je een team aanstuurt dat dagelijks veel data moet verwerken. Denk aan een administratief team dat offertes, contracten of facturen beoordeelt. Je zou een AI-model kunnen gebruiken om de eerste scan te doen: welke documenten bevatten afwijkingen, welke voldoen aan de standaardvoorwaarden. Het model kan in seconden door honderden documenten heen lopen en alleen de uitzonderingen aan je team voorleggen. Overweeg om een proef te draaien met een klein aantal documenten, waarbij je de uitkomsten van de AI vergelijkt met de beoordeling van een ervaren medewerker. Zo zie je direct of de triage werkt in jouw context.

Als je in de zorg werkt of een dienstverlener bent met een intake-proces. De les uit de studie is dat AI ruwe, ongestructureerde tekst kan omzetten in een prioritering. Je zou een systeem kunnen inzetten dat nieuwe cliëntaanmeldingen of patiëntvragen analyseert op basis van vrije tekstvelden. Het model kan signalen oppikken die op urgentie wijzen, zoals specifieke combinaties van symptomen of klachten. Een optie is om een eenvoudige prompt te bouwen die de tekst classificeert in ‘standaard’, ‘aandacht nodig’ of ‘direct actie vereist’. Dit werkt ook voor juridische of financiële dienstverlening, waar eerste intake vaak veel tijd kost.

Als je een productie- of logistiek proces hebt waar storingen snel gedetecteerd moeten worden. Het model in de ER analyseerde geen gestructureerde data, maar ruwe tekst. In een magazijn of fabriek kun je AI inzetten om meldingen van medewerkers of sensoren te scannen op patronen die wijzen op een naderend probleem. Een mogelijkheid is om een AI-tool te koppelen aan je meldingssysteem, zodat het model elke melding beoordeelt en de kans op een serieuze storing inschat. De praktische toepassing hangt af van jouw specifieke situatie, maar het principe van snelle triage op basis van ruwe data is direct overdraagbaar.

Bron: Therundown (https://www.therundown.ai/p/ai-shows-its-skills-in-the-emergency-room)