Wie een hartaanval krijgt, denkt aan pijn op de borst. Maar voor een op de vier vrouwen begint het anders: met kaakpijn, vermoeidheid of kortademigheid. Jarenlang medisch onderzoek behandelde het mannenlichaam als de standaard, en die fout sijpelt nu door in de AI-software waar jouw huisarts, fysiotherapeut of zorginstelling dagelijks op leunt.
Het mannenlichaam als uitgangspunt
Uit onderzoek naar twintig reanimatiepoppen die wereldwijd worden verkocht, bleek dat driekwart als mannelijk stond omschreven — of zonder geslacht. Slechts één pop had een borstoverlay. Dat klinkt triviaal, maar het staat symbool voor een groter probleem: decennialang onderzoeksgeld en testontwerpen gingen uit van de man.
De gevolgen zijn meetbaar. Bij een hartstilstand op straat kreeg 45 procent van de mannen reanimatie van omstanders, tegenover 39 procent van de vrouwen. Elke minuut vertraging verlaagt de overlevingskans met ruim een kwart. Het verschil tussen leven en dood begint dus al vóór de ambulance arriveert.
Waarom dit nu pas écht urgent wordt
AI leert van historische data. Als die data al scheef is, versterkt het model die scheefheid. Medische dossiers weerspiegelen niet alleen biologie, maar ook hoe artsen decennialang anders naar mannen en vrouwen keken. Een algoritme dat daarop traint, kan dat patroon overnemen zónder te begrijpen wáárom het bestaat.
Het bewijs stapelt zich op. Uit een analyse van bijna 700 door de Amerikaanse toezichthouder goedgekeurde AI-medische apparaten bleek dat bij veel producten de demografische informatie ontbreekt. Je kunt dus amper controleren of zo'n tool even goed werkt voor mannen als voor vrouwen. Voor een zorginstelling die zo'n apparaat aanschaft, is dat een blinde vlek die levens kan kosten.
De medicijnwereld kent het probleem al langer. Vrouwen kregen decennialang nauwelijks een rol in geneesmiddelenonderzoek, mede door een voorzorgsregel uit 1977 die vruchtbare vrouwen uitsloot van vroege testen. Pas in 1993 werd die regel teruggedraaid. Het slaapmiddel zolpidem moest voor vrouwen zelfs gehalveerd worden in dosering, omdat zij het veel trager afbreken dan mannen. Zulke verschillen ontdek je alleen als je ernaar zoekt — en AI zoekt niet vanzelf.
De Nederlandse context
Ook Nederlandse zorgorganisaties — van huisartsenposten tot fysiotherapiepraktijken en thuiszorg — adopteren AI-tools in rap tempo, vaak om personeelstekorten op te vangen. Maar de leveranciers van die tools bouwen vrijwel allemaal op buitenlandse datasets, die hetzelfde historische vooroordeel meedragen. Een Nederlandse zorgondernemer die een triage-tool of diagnostische ondersteuning aanschaft, vraagt zelden: werkt dit ook goed voor mijn vrouwelijke cliënten? Dat moet anders.
Neem een fysiotherapiepraktijk met vijf medewerkers die een AI-tool gebruikt om klachten te duiden. Als die tool is getraind op data waarin hartklachten bij mannen vaker serieus werden genomen, kan een vrouwelijke cliënt met atypische symptomen te licht worden ingeschat. De verantwoordelijkheid ligt uiteindelijk bij de zorgverlener, niet bij de softwareleverancier.
Maar er is een tweede effect dat vaak over het hoofd wordt gezien. Onderzoek onder duizenden eerstehulpdiensten toonde dat jonge mensen die met de ambulance binnenkomen, vaker goed worden ingeschat als man dan als vrouw. Zulke patronen zitten diep in de dagelijkse praktijk verweven — en AI die daarop traint, verheft ze van incidentele fout tot structurele regel.
De kosten van niets doen
Een gemiste of te late diagnose kost meer dan geld. Voor een zorgaanbieder betekent het een risico op aansprakelijkheid, reputatieschade en — belangrijker — schade aan mensen die je had kunnen helpen. Een letselschadeclaim loopt al snel in de tienduizenden euro's, nog los van het vertrouwensverlies. De prijs van een kritische blik bij aanschaf is verwaarloosbaar vergeleken met de prijs van blind vertrouwen.
Wat je nu kunt doen
Vraag naar de data. Bij elke AI-tool voor zorg: op welke populatie is die getraind, en is het model getest op zowel mannen als vrouwen? Een leverancier die deze vraag niet kan beantwoorden, heeft zijn huiswerk niet gedaan.
Doe je eigen steekproef. Laat een AI-tool draaien op een aantal testgevallen — bewust met mannelijke én vrouwelijke, jonge én oudere profielen. Kijk of de uitkomsten plausibel zijn en niet stelselmatig één groep bevoordelen.
Houd de mens in de lus. AI is ondersteuning, geen vervanger van klinisch oordeel. Zorg dat elke AI-uitkomst door een vakmens wordt getoetst, zeker bij cliënten met atypische klachten.
De zorg van morgen wordt gebouwd op de data van gisteren. Of die data jouw cliënten helpt of benadeelt, hangt af van de vragen die jij vandaag stelt.