> Bron: https://neuralex.nl/blog/ai-in-de-zorg > Gezondheidsgegevens zijn bijzondere persoonsgegevens onder de AVG. Dat maakt on-prem of een strikt gecontroleerde private omgeving vaak de meest verdedigbare architectuur voor AI die met patiëntdossiers werkt — geen absoluut verbod op cloud-AI, wel een hogere lat. [Terug naar kennisbank](/blog) Zorg ·29 augustus 2026 ·8 min lezen # AI in de zorg: waarom on-prem daar bijna altijd het antwoord is Gezondheidsgegevens zijn bijzondere persoonsgegevens onder de AVG. Dat maakt on-prem of een strikt gecontroleerde private omgeving vaak de meest verdedigbare architectuur voor AI die met patiëntdossiers werkt — geen absoluut verbod op cloud-AI, wel een hogere lat. Voor AI-toepassingen die echte patiëntgegevens of medische dossiers verwerken, is on-prem of een strikt gecontroleerde private omgeving vaak de meest verdedigbare architectuur. De reden is niet dat cloud-AI in de zorg verboden is, maar dat gezondheidsgegevens onder de AVG tot de bijzondere categorieën persoonsgegevens behoren. Zodra zulke gegevens naar een externe AI-provider gaan, voeg je een leverancier, infrastructuur, mogelijke subverwerkers, bewaartermijnen en soms internationale doorgifte toe aan een verwerking die juridisch en beveiligingstechnisch al gevoelig is. On-prem beperkt dat aanvals- en compliance-oppervlak: het taalmodel en de bijbehorende zoek- of RAG-infrastructuur draaien lokaal of in een door de zorgorganisatie gecontroleerde private omgeving, zodat patiëntdata niet naar een generieke externe AI-dienst hoeven. Dat maakt on-prem niet automatisch AVG-conform en ook niet automatisch veilig, maar het geeft de organisatie meer technische controle over waar gegevens staan, wie erbij kan en wat ermee gebeurt. ## Gezondheidsgegevens zijn geen gewone persoonsgegevens Een medisch dossier bevat vrijwel per definitie informatie over iemands gezondheid. De [AVG](/blog/ai-en-de-avg) behandelt gezondheidsgegevens als bijzondere persoonsgegevens. Voor de verwerking daarvan geldt in beginsel een verbod, tenzij een van de uitzonderingen van artikel 9 AVG van toepassing is. Daarnaast moet voor de verwerking een geldige grondslag uit artikel 6 bestaan en kan aanvullende Nederlandse zorgwetgeving relevant zijn. Dat een zorgverlener patiëntgegevens rechtmatig mag verwerken voor de behandeling betekent daarom niet automatisch dat dezelfde gegevens zonder verdere beoordeling naar iedere nieuwe AI-dienst mogen worden gestuurd. Het doel van de verwerking, de rol van de leverancier, noodzakelijkheid, dataminimalisatie, beveiliging en eventuele verdere verwerking moeten afzonderlijk worden beoordeeld. Daar zit het probleem met achteloos gebruik van algemene cloud-AI. Een medewerker die een compleet medisch dossier in een persoonlijke ChatGPT-omgeving plakt, creëert een externe verwerking waarvoor de zorgorganisatie mogelijk helemaal geen passende inrichting of afspraken heeft — zie ook [mag je klantgegevens door ChatGPT halen](/blog/klantgegevens-door-chatgpt). Bij persoonlijke ChatGPT-accounts kan content bovendien voor modelverbetering worden gebruikt wanneer de gebruiker dit niet heeft uitgeschakeld. Zakelijke OpenAI-producten en de API worden volgens OpenAI standaard niet voor modeltraining gebruikt en OpenAI biedt zakelijke klanten een Data Processing Addendum aan. Dat neemt echter niet de verantwoordelijkheid van de zorginstelling weg en creëert op zichzelf geen AVG-grondslag voor het verwerken van gezondheidsgegevens. ## Wat on-prem AI in de zorg concreet betekent On-prem betekent in de striktste vorm dat het model op infrastructuur van de zorgorganisatie zelf draait. Dat kan een eigen servercluster zijn waarop een taalmodel, vector database en applicatielaag worden uitgevoerd. Een private deployment kan iets ruimer zijn: bijvoorbeeld dedicated infrastructuur bij een gecontroleerde hostingpartij, met contractueel en technisch afgedwongen grenzen rond dataopslag en toegang. Dat is niet hetzelfde als volledig lokaal draaien, maar kan architecturaal wel veel meer controle geven dan een publieke AI-dienst. Bij een lokale RAG-oplossing hoeven medische dossiers bijvoorbeeld niet in het taalmodel te worden getraind. Documenten worden geïndexeerd in een lokale zoeklaag. Bij een vraag worden alleen relevante fragmenten opgehaald en tijdelijk aan het model aangeboden. De volledige dataset hoeft daarmee niet telkens door het contextvenster van het model. Belangrijk is wel dat on-prem slechts één beveiligingslaag is. Autorisaties, encryptie, logging, netwerksegmentatie, patchbeheer, back-ups, bewaartermijnen en controle op exports blijven noodzakelijk. Een onbeveiligde lokale AI-server met brede toegang tot alle dossiers is geen verbetering alleen omdat er geen externe API wordt gebruikt. ## Waar AI in de zorg praktisch waarde kan toevoegen Een relatief voor de hand liggende toepassing is het samenvatten van dossiers. Een model kan bijvoorbeeld uit een lang dossier een conceptoverzicht maken van relevante voorgeschiedenis, recente gebeurtenissen en openstaande aandachtspunten. De behandelaar moet die samenvatting vervolgens controleren tegen de bron. Hetzelfde geldt voor verslaglegging en overdrachten. AI kan gesproken of geschreven notities structureren, herhaling verwijderen en een conceptverslag produceren. Daarmee automatiseert het model vooral administratief werk; het hoort niet zelfstandig medische feiten toe te voegen die niet in de bron staan. RAG is ook bruikbaar voor protocollen, interne werkinstructies en richtlijnen. In plaats van medewerkers door honderden documenten te laten zoeken, kan een systeem relevante passages terugvinden en het antwoord voorzien van een verwijzing naar de oorspronkelijke bron. Voor zorgtoepassingen is die brongrond belangrijker dan een overtuigend geformuleerd antwoord. Triage-ondersteuning ligt al dichter bij het klinische domein. AI kan signalen ordenen, informatie structureren of mogelijke aandachtspunten aan een professional presenteren. Dat is fundamenteel iets anders dan een model zelfstandig laten bepalen welke diagnose een patiënt heeft of welke behandeling nodig is. Bij klinische beslissingen hoort menselijke controle een expliciet onderdeel van het systeemontwerp te zijn. ## On-prem heeft ook een prijs De belangrijkste tegenwerping tegen on-prem is terecht: het is operationeel moeilijker. Een externe API kan binnen korte tijd worden geïntegreerd. Voor een eigen AI-stack zijn hardware of gereserveerde rekenresources nodig, plus expertise voor modeldeployment, updates, monitoring, beveiliging, capaciteitsplanning en incidentmanagement. Nieuwe modellen verschijnen bovendien voortdurend, terwijl een organisatie haar lokale omgeving zelf moet testen en upgraden. Ook kan een lokaal model minder krachtig zijn dan het beste beschikbare cloudmodel. Dat verschil is relevant wanneer een taak veel redeneervermogen of een zeer groot contextvenster vereist. De afweging is daarom niet simpelweg cloudkosten tegenover serverkosten. De juiste vergelijking omvat ook het risico dat zeer gevoelige gegevens buiten de gewenste omgeving terechtkomen, onvoldoende inzicht in subverwerkers bestaat of een configuratiefout leidt tot ongewenste opslag of toegang. De Autoriteit Persoonsgegevens benadrukt daarbij dat gebruik van de cloud voor gezondheidsgegevens mogelijk is, maar dat de zorgorganisatie verantwoordelijk blijft. De AP noemt in haar praktijkgids "Gezondheidsgegevens in de cloud" (2026) onder andere risicoanalyse, verwerkers en subverwerkers, datasoevereiniteit en internationale doorgifte als aandachtspunten. Die verantwoordelijkheid kan niet aan een cloudleverancier worden uitbesteed. ## Wanneer AI een medisch hulpmiddel kan worden Niet iedere AI-toepassing in een ziekenhuis of zorgpraktijk is automatisch een medisch hulpmiddel. Onder de Europese Medical Device Regulation is vooral het beoogde doel van de software bepalend. Software voor algemene administratieve doeleinden wordt niet alleen doordat zij in de zorg wordt gebruikt een medisch hulpmiddel. Dat verandert wanneer software specifiek bedoeld is voor bijvoorbeeld diagnose, prognose, monitoring of behandeling. De MDR bevat bovendien in Rule 11 specifieke classificatieregels voor software die informatie levert waarmee diagnostische of therapeutische beslissingen worden genomen. De precieze classificatie hangt onder meer af van de mogelijke gevolgen van die beslissingen. Een systeem dat een ontslagbrief helpt formuleren zit daardoor in een andere categorie dan software waarvan artsen geacht worden een behandelbeslissing af te leiden. Zodra AI richting diagnostiek of behandelbeslissingen schuift, moet de MDR-vraag daarom vroeg in het ontwerp worden meegenomen en niet pas vlak voor ingebruikname. ## Menselijke controle is geen vinkje Een melding onder een scherm dat "AI fouten kan maken" is geen serieuze vorm van menselijke controle. De gebruiker moet voldoende informatie krijgen om een antwoord daadwerkelijk te kunnen beoordelen. Bij een samenvatting betekent dat bijvoorbeeld dat de onderliggende passages toegankelijk blijven. Bij een zoekassistent horen antwoorden te verwijzen naar het protocol of dossierfragment waarop ze gebaseerd zijn. Bij klinische ondersteuning moet duidelijk zijn welke gegevens het systeem heeft gebruikt en waar onzekerheid bestaat. Een menselijke eindverantwoordelijke helpt bovendien weinig als de interface de AI-uitkomst zo overtuigend presenteert dat medewerkers die structureel zonder controle overnemen. Human-in-the-loop moet daarom niet alleen beleidsmatig, maar ook technisch en organisatorisch worden ontworpen. ## Waarom "bijna altijd" geen absoluut verbod betekent On-prem is niet voor iedere AI-functie noodzakelijk. Een model dat uitsluitend openbare richtlijnen doorzoekt, verwerkt bijvoorbeeld geen patiëntdossiers. Ook kan cloudverwerking verdedigbaar zijn wanneer gegevens daadwerkelijk zijn geanonimiseerd en betrokkenen niet meer identificeerbaar zijn. Pseudonimisering ligt anders. Het vervangen van naam en geboortedatum door een patiëntnummer verlaagt het risico, maar gepseudonimiseerde informatie blijft onder de AVG persoonsgegevens zolang herleiding mogelijk is. Pseudonimisering is dus een waardevolle beveiligingsmaatregel, geen vrijstelling van de AVG. Ook voor identificeerbare of gepseudonimiseerde gegevens kan een zorgvuldig ingerichte zakelijke cloudomgeving in bepaalde situaties passend zijn, bijvoorbeeld met een verwerkersovereenkomst, passende beveiligingsmaatregelen, duidelijke afspraken over subverwerkers, bewaartermijnen en locatie van verwerking, plus een aantoonbare wettelijke basis voor de verwerking. Dat moet per toepassing worden beoordeeld. ## Conclusie Voor AI die rechtstreeks met patiëntdossiers en gezondheidsgegevens werkt, is on-prem of sterk afgeschermde private hosting vaak een logisch architecturaal uitgangspunt omdat het de zorgorganisatie maximale controle over haar meest gevoelige data geeft. Daar staan hogere hardware-, beheer- en expertisekosten tegenover. Cloud-AI is niet verboden en kan in goed afgebakende situaties verantwoord worden ingezet, maar gemak alleen is bij gezondheidsgegevens geen voldoende argument om data naar een externe AI-provider te sturen. Dit onderwerp raakt aan de AVG, Nederlands gezondheidsrecht en mogelijk de MDR en andere regelgeving. Neuralex geeft geen juridisch advies. Laat de gekozen architectuur, grondslag, verwerkersconstructie en eventuele kwalificatie als medisch hulpmiddel daarom voor de concrete toepassing juridisch toetsen. On-prem AI voor de zorg ## Overweeg je een AI-toepassing die met patiëntgegevens werkt? Wij ontwerpen on-prem en private AI-architecturen die gezondheidsgegevens binnen jouw eigen omgeving houden, inclusief RAG, logging en menselijke controle. Benieuwd wat dat voor jouw situatie betekent? [Stel je vraag](/contact) [Lees on-prem AI: wanneer de moeite](/blog/on-prem-ai-wanneer-de-moeite) --- Volledige (opgemaakte) versie: https://neuralex.nl/blog/ai-in-de-zorg