AI in de zorg: AI-agents voor planning, intake en machtigingen
Wij bouwen AI-agents die het handwerk rond planning, intake, verwijzingen en machtigingsaanvragen overnemen, in het EPD en de praktijksystemen die je al gebruikt. Zo werkt AI in de zorg bij ons: een zorgverlener tekent alles af wat klinisch is, en patiëntdata blijft op infrastructuur die jij beheert.
Alleen de velden die deze taak nodig heeft. De rest van het dossier wordt nooit opgehaald.
Naam patiëntJ. D••••
Reden van verwijzingZichtbaar
Verzekeraar en polisZichtbaar
Code aangevraagde verrichtingZichtbaar
Volledige medische voorgeschiedenisNiet opgehaald
Klinische notitiesNiet opgehaald
Jouw EPDPraktijkmanagementPortalen van verzekeraarsSelf-hosted n8n
Voorbeeldrun. Velden en regels leggen we per workflow vast tijdens het scopen.
In je eigen systemen
EPD, praktijkmanagement en portalen van verzekeraars
Akkoord van een zorgverlener
Bij alles wat een klinische beslissing raakt
Je eigen infrastructuur
Self-hosted, dus patiëntdata blijft in je eigen omgeving
Elke run vastgelegd
Welk dossier, welke stap, wie akkoord gaf
Onder andere deze bedrijven werken met Ovidius
Voordelen AI in de zorg: zes administratieve workflows
Begin waar het volume hoog is, de regels op papier staan en een mens een fout opvangt voordat die een patiënt bereikt. Deze zes voorbeelden van AI in de zorg voldoen aan alle drie.
01 · Planning
Planning over meerdere behandelaars
De agent plant afspraken over behandelaars, kamers en locaties heen, en houdt rekening met behandelreeksen, hersteltijden en urgentiegrenzen. Voor een tandzorggroep plant hij 1.500 afspraken per week.
De agent leest intakeformulieren, verwijsbrieven en gefaxte pdf's, vult de velden in het EPD en vraagt je balie alleen naar de velden die hij niet met zekerheid kon lezen.
Bij het inplannen controleert de agent de regels van de verzekeraar voor de aangevraagde zorg, haalt de onderbouwing uit het dossier en zet een compleet dossier klaar dat je medewerkers indienen.
De agent controleert declaraties op ontbrekende velden voordat ze de deur uitgaan, sorteert binnenkomende afwijzingen op reden en stuurt elke afwijzing naar de persoon die hem kan oplossen.
De agent beantwoordt vragen over planning en praktische zaken, stuurt herinneringen en follow-ups, en geeft alles wat klinisch is met het gesprek erbij door aan een verpleegkundige.
Voor een consult zet de agent de relevante voorgeschiedenis in één samenvatting. Daarna schrijft hij concepten voor verwijsbrieven en ontslagbrieven, die de zorgverlener aanpast en ondertekent.
Het papierwerk achter elk patiëntbezoek
Twee Amerikaanse onderzoeken onder artsen maten het bureauwerk dat AI in de zorg kan overnemen. Bij elk cijfer hieronder staat de agent die dat werk oppakt.
2 uur
EPD- en bureauwerk voor elk uur directe patiëntenzorg
Sinsky et al., Annals of Internal Medicine, 2016
Overgenomen doorAgents voor intake en dossiervoorbereiding
39
machtigingsaanvragen per arts per week
AMA Prior Authorization Physician Survey, 2024
Overgenomen doorDe agent voor machtigingen
13 uur
per week aan tijd van artsen en medewerkers om ze in te vullen
AMA Prior Authorization Physician Survey, 2024
Overgenomen doorDossiers bij het inplannen uit het patiëntdossier samengesteld
94%
van de artsen zegt dat machtigingsprocedures de toegang van patiënten tot zorg vertragen
AMA Prior Authorization Physician Survey, 2024
Overgenomen doorMachtigingseisen gemarkeerd zodra de afspraak is ingepland
Waarom je bij de administratie begint
Administratieve workflows hebben wat een agent nodig heeft om veilig te draaien: veel volume, vastgelegde regels en een mens die de output controleert voordat het ertoe doet. Een planningsagent die een verkeerd tijdslot voorstelt, wordt aan de balie gecorrigeerd. Daarom zet je AI in de zorg het eerst op deze workflows in productie, meet je het resultaat (een eerste schatting maak je met de ROI-calculator) en verdien je het vertrouwen om verder te gaan. De AI-audit rangschikt je kandidaten op volume, risico en hoe goed je systemen de data ontsluiten, zodat je eerst bouwt wat zich het meest waarschijnlijk terugverdient.
AVG-proof AI begint bij wat de agent kan zien
Dataminimalisatie uit de AVG beperkt elk gebruik van patiëntdata tot wat de taak vereist, en NEN 7510 vraagt om aantoonbare beveiliging van die gegevens. Wij dwingen beide af in de architectuur, nog voordat er een prompt wordt opgebouwd.
Jouw omgeving
Bronnen
EPD, praktijkmanagement, portalen van verzekeraars
Gelezen via de koppelingen die ze al bieden
Context layer
Scopes en maskering
Minimaal benodigde velden per taak, identificerende gegevens gemaskeerd
Agent
Self-hosted n8n
Voert de workflow en de regels uit op je eigen servers
Menselijke controle
Akkoord van zorgverlener of medewerker
Alles wat klinisch of onzeker is, vóór het terugschrijven
Run-logrun 18342 · intake verwijzing · 4 velden gelezen · 1 naar controle · akkoord van balie · weggeschreven in EPD
Buiten de grens
Modelaanbieder
Krijgt alleen gescopete velden
Onder een verwerkersovereenkomst, of vervangen door een model dat je zelf host
Nooit toegestaan
Volledige dossiers in prompts geplakt
Patiëntdata gebruikt om modellen te trainen
Klinische beslissingen zonder akkoord
Dataminimalisatie, afgedwongen vóór de prompt
De gebruikelijke shortcut is het model het hele dossier te geven en erop te vertrouwen dat het negeert wat het niet nodig heeft. Dan schend je het principe van dataminimalisatie al voordat het eerste antwoord er is. Wij zetten een context layer tussen je systemen en de agent. Die beperkt elke taak tot de velden die hij mag lezen, maskeert identificerende gegevens die de agent niet nodig heeft en laat de rest van het dossier waar het is. Een planningsagent ziet beschikbaarheid en type behandeling, en nooit de klinische notities.
Een zorgverlener bij elke klinische beslissing
Alles wat raakt aan diagnose, behandeling of een klacht gaat met de context erbij naar een zorgverlener, en de agent kan het pas terugschrijven als iemand akkoord geeft. Administratieve stappen met duidelijke regels draaien zelfstandig, en elke run legt vast welk dossier hij las, wat hij veranderde en wie akkoord gaf. Dat overzicht beoordeelt je complianceteam, en daar is ons werk aan AI-governance omheen gebouwd.
Gebouwd in je eigen omgeving
We zetten de workflow live op self-hosted n8n in je eigen cloud of datacenter, dus de workflow, de logs en de patiëntdata die hij raakt blijven op infrastructuur die jij beheert. Roept een workflow een extern model aan, dan stuurt hij alleen gescopete velden, onder een verwerkersovereenkomst met die aanbieder, of we draaien een open model op je eigen hardware. Hoe we een context layer opbouwen, lees je bij context engineering.
Case study: AI-planning voor een tandzorggroep met 200 behandelaars
Een Nederlandse Odoo-implementatiepartner probeerde een jaar lang de planning native in Odoo te automatiseren, voor een tandzorggroep die 25.000 zorgafhankelijke bewoners bedient. Wij bouwden het als agent op n8n, en het is een van de voorbeelden van AI in de zorg die nu elke nacht draait.
Odoo + n8n · Planning in de tandzorg
Een Nederlandse Odoo-implementatiepartner, die bouwt voor een tandzorggroep in heel Nederland
Bron
Odoo ERP
Behandelaars, locaties, behandelreeksen
Elke nacht
Vijf sync-workflows
Naar een planningscache in Supabase
n8n + AI-agent
Matching in meerdere stappen
De agent kiest het beste tijdslot
Uitzonderingen
Rapport van niet-geplaatste afspraken
Legt uit waarom er geen tijdslot was
De omgekeerde logica
Voorbeeldweek
Ma
Di
Wo
Do
Vr
Mondhygiënist
Tandarts A
Tandarts B
Tandarts C
Assistent
Niet beschikbaar: vakantie, volgeboektGeplaatst door de agentVolgende sessie in een reeks
1.500
Afspraken per week ingepland, elke nacht verwerkt
200
Behandelaars afgestemd over meerdere locaties
25K
Zorgafhankelijke bewoners bediend in het netwerk
5
Sync-workflows tussen Odoo en Supabase
De uitdaging
Plannen over 200 behandelaars, meerdere locaties, behandelreeksen met hersteltijden, rolmatching en urgentiegrenzen leverde een web van onderling afhankelijke regels op waar het datamodel van Odoo nooit voor bedoeld was. Een jaar native ontwikkeling had geen werkende planner opgeleverd.
De oplossing
We hielden de planningslogica buiten Odoo en bouwden een n8n-orkestratielaag erbovenop, met Supabase als planningscache. Elke nacht voeden vijf sync-workflows een matchingstap in meerdere fases, de agent kiest de beste tijdsloten, en elke afspraak die hij niet kan plaatsen levert een rapport op met de reden. Zo lossen medewerkers de uitzonderingen op in plaats van de hele agenda te bouwen. We draaiden de logica om: de engine legt vast wanneer behandelaars niet beschikbaar zijn, en een wijziging in de agenda wordt één nieuw blok. De partner werkt nu met Ovidius voor doorlopende support en fase 2. Het volledige verhaal staat op onze pagina over de AI-pilot, en meer resultaten vind je in onze case studies.
Ovidius did in weeks what we couldn't build natively in Odoo for a full year. They architected an AI-powered n8n layer on top of our ERP that now schedules well over a thousand appointments a week automatically. They are our preferred AI delivery partner.
Directie, Nederlandse Odoo-implementatiepartner
Zo verloopt een AI-build in de zorg
Vaste prijs, 4 tot 8 wekenAuditOnze AI-audit brengt je workflows in kaart, de systemen erachter en de data die elke agent nodig zou hebben, en eindigt in een roadmap voor 90 dagen gerangschikt op opbrengst en risico.
Voordat je je vastlegtScopeEén workflow, de systemen die erbij horen, de velden die hij mag lezen, de gevallen die naar een mens gaan en wat de build vraagt. Je krijgt de planning voordat je iets tekent.
Eerst stagingBouwenWe bouwen in staging met test- of geanonimiseerde dossiers, en je medewerkers gebruiken het op echte casussen voordat er iets live gaat.
Gemonitord na de livegangLive en beheerAparte ontwikkel-, pre-productie- en productieomgevingen, foutmeldingen naar ons team en monitoring door de engineers die het bouwden. Zie onze werkwijze.
Leidt de audit, daarna de oplevering en het beheer
Ovidius vergeleken met traditionele IT-consultants in de zorg
Bij AI in de zorg adviseert een IT-consultancy een leverancier. Een kant-en-klare oplossing geeft je één workflow op haar eigen voorwaarden. Wij bouwen de agent rond jouw regels en laten hem draaien in je eigen omgeving, net als bij onze AI voor bedrijven buiten de zorg.
Ovidius
IT-consultancy in de zorg
Kant-en-klare AI-tool
Wat je krijgt
OvidiusWerkende agents in je EPD en praktijksystemen
IT-consultancyEen assessment, een shortlist van leveranciers en een implementatieplan
Kant-en-klare toolEén workflow, binnen het product van de leverancier
Waar patiëntdata staat
OvidiusIn je eigen omgeving, op self-hosted infrastructuur
IT-consultancyWaar de gekozen leverancier het host
Kant-en-klare toolIn de cloud van de leverancier
Aansluiting op je regels
OvidiusGebouwd rond je regels voor planning, verzekeraars en escalatie
IT-consultancyIngesteld binnen wat de leverancier ondersteunt
Kant-en-klare toolJe team past zich aan het product aan
Doorlooptijd
OvidiusPer workflow gescopet, meestal weken
IT-consultancyMaanden assessment voordat een build begint
Kant-en-klare toolSnel aan te zetten, beperkt tot wat het product kan
Na de livegang
OvidiusDe engineers die het bouwden, monitoren en breiden het uit
IT-consultancyOvergedragen aan de supportdesk van de leverancier
Kant-en-klare toolDe roadmap van de leverancier bepaalt wat er verandert
Laat ons de workflow zien waar je medewerkers het meest tegen opzien.
In het gesprek zeggen we of een agent die kan overnemen, en wat daarvoor nodig is.
Hoe beschermen jullie patiëntdata bij AI in de zorg?
Drie controles doen het meeste werk. Een context layer geeft elke agent alleen de velden die zijn taak nodig heeft, in lijn met het principe van dataminimalisatie uit de AVG. De workflow draait op self-hosted infrastructuur in je eigen omgeving, dus patiëntdata en logs blijven bij jou. En elke aanroep van een extern model bevat alleen gescopete velden, onder een verwerkersovereenkomst met die aanbieder, of gaat naar een model dat je zelf host.
Elke run wordt gelogd met het dossier dat hij las, wat hij veranderde en wie akkoord gaf, zodat je complianceteam iets concreets heeft om te beoordelen. De pagina's over governance en context layer gaan dieper in op de controles.
Nemen de agents klinische beslissingen?
Nee. Agents bereiden voor, sorteren en schrijven concepten, en een bevoegde zorgverlener neemt elke klinische beslissing. Alles wat raakt aan diagnose, behandeling of een gemelde klacht gaat met de context erbij naar een mens, en de agent kan er pas iets mee als iemand akkoord geeft. Volledig geautomatiseerde stappen blijven beperkt tot administratief werk met vastgelegde regels, zoals een afspraak in een vrij tijdslot zetten.
Met welke EPD- en praktijksystemen kunnen jullie koppelen?
We koppelen via wat je systemen bieden: een FHIR- of HL7-koppeling, een API van de leverancier, een database waar we leestoegang toe krijgen, of bij oudere systemen gestructureerde exports en binnenkomende documenten zoals gefaxte verwijzingen. De planningsbuild voor de tandzorggroep leest uit Odoo via nachtelijke sync-workflows. De AI-audit laat per systeem zien wat mogelijk is voordat we een prijs noemen.
Hoe lang duurt het bouwen van een AI-agent voor de zorg?
Dat hangt af van de workflow. Eén administratieve workflow op systemen met een nette koppeling kost meestal weken. Een workflow die meerdere systemen raakt, of waarvoor eerst een context layer nodig is, duurt langer. We scopen elke workflow en geven je de planning voordat je je vastlegt, en onze roadmapdienst zet meerdere builds op volgorde als je er meer dan één op het oog hebt.
AI in de zorg voorbeelden: welke typen agents zijn er?
Het leerboek kent vijf typen AI-agents: simple reflex, model-based reflex, goal-based, utility-based en learning agents. In de zorgadministratie zijn vooral de eenvoudigere typen bruikbaar. Een binnenkomende verwijzing doorsturen op type is reflexgedrag. Een afspraak plaatsen op basis van de beschikbaarheid van behandelaars, behandelintervallen en urgentie is goal-based. Het beste van meerdere geldige tijdsloten kiezen is utility-based.
Systemen in productie combineren ze in één workflow, met vaste regels waar het antwoord bekend is en een taalmodel waar de input rommelig is, zoals een handgeschreven verwijzing.
Waar begin je met AI in de zorg?
Bij de administratieve workflow met het meeste volume en de duidelijkste regels, meestal planning, intake of machtigingen. Weet je al welke, plan een kennismaking en we scopen hem. Heb je meerdere kandidaten, dan zet de AI-audit ze op volgorde tegen je systemen en data, voordat je in een build investeert.
Zet je eerste AI-agent voor de zorg in productie
Vertel ons welke workflow de week van je medewerkers opslokt. We brengen de systemen in kaart die hij raakt, de data die hij nodig heeft en de gevallen die bij een mens blijven, en zeggen je wat er nodig is om er een agent op te zetten.
