Van silo-algoritmes naar compliance-first agentische platforms in de zorg

De zorgsector zit met een paradox. Ziekenhuizen starten talloze AI-pilots: triage-assistenten, radiologie-classificatie, generatie van ontslagbrieven. De meeste halen de productie echter nooit. Het arXiv-paper From Siloed Algorithms to Compliance-First Agentic Platforms: Hospital AI stelt dat 70 tot 80 procent van deze projecten faalt door governance-gaps en gefragmenteerde data. Dit getal komt overeen met mijn eigen ervaringen. De algoritmes zijn niet slecht. We bouwen ze alleen als losse eilandjes. We vergeten de compliance- en data-omgeving waarin ze moeten draaien.

De verschuiving die dit paper voorstelt is niet revolutionair, maar wel nodig. We moeten van silo-algoritmes naar een compliance-first agentisch platform. In deze architectuur stuur je AI-agenten niet alleen technisch aan. Compliance zit vanaf de eerste regel in het systeem. Geen controle achteraf, maar een fundament.

Waarom pilots falen: governance gaps en data-fragmentatie

Laten we het probleem scherp stellen. Een ziekenhuis dat een triage-algoritme wil inzetten, heeft te maken met drie lagen: de klinische workflow, de IT-infrastructuur en de regelgeving. Deze lagen zijn zelden geïntegreerd. Het algoritme draait op een losse server. Data ligt verspreid over EPD-systemen. Compliance-eisen zoals AVG, NIS2, BIO2 en de EU AI Act komen pas laat in beeld. Het resultaat is een pilot die technisch werkt, maar juridisch en organisatorisch niet door de poort komt.

Het paper noemt twee kernproblemen. Ten eerste zijn er governance-gaps. Er is geen duidelijke eigenaar van het AI-systeem, geen proces voor wijzigingen en geen audit-trail. Ten tweede is de data gefragmenteerd. De benodigde data voor training en inferentie zit in silo's, vaak met verschillende formaten en kwaliteitsniveaus. Dit leidt tot onbetrouwbare modellen. Je voldoet dan niet aan de eisen voor transparantie en uitlegbaarheid.

De compliance-first agentische architectuur

Het paper stelt een architectuur voor met drie lagen: een Agent Orchestration Layer, een policy-as-code compliance layer en een privacy-preserving data fabric. Ik ontleed elk onderdeel. Dit is geen abstract concept, maar een concrete blauwdruk.

Agent Orchestration Layer

Deze laag coördineert meerdere AI-agenten die samen een klinische taak uitvoeren. Denk aan een triage-agent die symptomen analyseert, een agent die labwaarden interpreteert en een agent die een behandeladvies genereert. De orchestrator bepaalt de volgorde, de context en de communicatie tussen agenten.

Formeel definieer ik een multi-agent systeem als een tuple ( \langle A, S, O, T \rangle ). Hierbij is ( A ) de set van agenten, ( S ) de set van mogelijke toestanden, ( O ) de observatiefunctie en ( T ) de transitiefunctie. De orchestrator implementeert een beleid ( \pi: S \rightarrow A ) dat bepaalt welke agent actief wordt. In de praktijk gebruik je hiervoor een workflow-engine zoals Temporal of een state machine. Een simpele Python-implementatie van een orchestrator ziet er zo uit:

class AgentOrchestrator:
    def __init__(self, agents: dict):
        self.agents = agents
        self.state = "start"
    def run(self, input_data):
        while self.state != "done":
            agent = self.agents[self.state]
            output = agent.process(input_data)
            self.state = self.transition(self.state, output)
        return output

Het punt is dat elke agent een expliciete interface heeft. De orchestrator kent de compliance-eisen van elke stap. Dat brengt me bij de tweede laag.

Policy-as-code compliance layer

Dit onderscheidt het paper van eerdere pogingen. Compliance is geen aparte stap, maar code die de agenten en de orchestrator aanstuurt. Denk aan HIPAA, GDPR, EU AI Act en ISO/IEC 42001. In plaats van een document met regels, heb je code.