AMAN AI — AI-beslissingsondersteuning voor Medische Keuring

Grootschalige bedrijfsgezondheidskeuringen zijn zo'n probleem dat van buitenaf eenvoudig lijkt en dat allesbehalve blijkt. Elke contractor die een hoogrisico-werklocatie betreedt, heeft een medische keuring nodig, en op nationale schaal betekent dat tienduizenden keuringen per jaar — stuk voor stuk repetitief, onder tijdsdruk, en makkelijk net iets anders toegepast dan de vorige. AMAN AI is een live platform, gebouwd door Crux Digits en partners, dat die keuringen versnelt en consistenter maakt, terwijl de clinicus nadrukkelijk aan het roer blijft. Het draait sinds februari 2025 in productie en heeft circa 100.000 bedrijfsgezondheidskeuringen ondersteund.

Dit is geen prototype of benchmark. Het is een echte implementatie die draait binnen de bestaande klinische workflows van een nationale aanbieder van bedrijfsgezondheidszorg, ingezet voor werving en onboarding van contractors in de energiesector. Hieronder leest u hoe het probleem werd afgebakend, hoe het platform daadwerkelijk werkt, en hoe wij iets vergelijkbaars voor u zouden bouwen.

Het probleem: consistentie op volume, zonder de clinicus te verliezen

Keuringen op nationale schaal kennen twee faalvormen die tegen elkaar in werken. Stuur op snelheid en doorvoer, en de consistentie lijdt — verschillende clinici wegen hetzelfde grensgeval anders, en subtiel, latent risico wordt in de haast over het hoofd gezien. Vertraag om grondig te zijn, en de wachtrij groeit tot onboarding een knelpunt wordt voor de hele operatie. De aanbieder wilde beide: snellere, meer gestandaardiseerde keuringen én de zekerheid dat latent risico niet zou doorglippen.

Twee harde randvoorwaarden bepaalden alles. Ten eerste moest de eindbeslissing bij de clinicus blijven — dit is bedrijfsgeneeskunde, geen geautomatiseerde poort. Ten tweede mocht de oplossing de workflows en systemen waar de klinische teams al op vertrouwden niet vervangen. Elke verbetering moest passen in de manier waarop mensen al werkten, niet eisen dat ze anders gingen werken. Die afbakening sloot een black-box-"AI-oordeel" vanaf het begin uit en wees juist richting AI-implementatie die is ontworpen rond de mensen die ermee werken.

Hoe het platform werkt

AMAN AI is een op maat gemaakte suite van AI-modellen en -agents, geen enkel model. Het leest dezelfde multi-bron klinische invoer als een clinicus, stelt gestructureerde, indicatieve uitkomsten voor, en maakt de onderbouwing daarachter zichtbaar, zodat de clinicus kan accepteren, aanpassen of overrulen. Drie beslissingsondersteunende modellen werken samen binnen één platform:

• Classificatie-AI — extraheert en consolideert klinische parameters uit ongestructureerde, multi-bron medische data, correleert afwijkingen met gevestigde richtlijncriteria, en stelt een indicatieve fitheidsclassificatie voor die de clinicus kan accepteren, aanpassen of overrulen.
• Cardiovasculair-risicomodel — machine learning op vitale functies en biomarkers brengt latent hartrisico aan het licht als een interpreteerbare, uitlegbare risicoscore — ook bij mensen die normaal lijken op standaardindicatoren zoals een rust-ECG.
• Mentale-fitheidsmodel (MHRQoL) — analyseert fysiologische en biologische markers voor een indicatieve Mental Fitness Score die de gevestigde richtlijnen voor bedrijfsgezondheid aanvult in plaats van vervangt.

De reden voor drie aparte modellen is dat fitheid niet één signaal is. Dossiers consolideren, cardiovasculair risico signaleren en mentale fitheid beoordelen zijn werkelijk verschillende problemen, en ze als zodanig behandelen houdt elke uitkomst gericht en elke redenering leesbaar voor de clinicus die hem beoordeelt.

Waarom het risico signaleert dat een standaardtest mist

Het cardiovasculaire model laat het duidelijkst zien waar machine learning iets toevoegt dat een checklist niet kan. In plaats van één indicator geïsoleerd te lezen, leert het correlaties tussen indirecte biomarkers en longitudinale fysiologische patronen. Daardoor kan het latent risico identificeren dat via standaardindicatoren alleen mogelijk niet zichtbaar is — en, cruciaal, het rapporteert dat risico als een uitlegbare score, geen ondoorzichtige melding. De clinicus ziet waaróm het model bezorgd is, en dat maakt het signaal bruikbaar in een echt consult. Dit soort patroonherkenning op rommelige, praktijkgerichte klinische data is de kern van toegepaste machine learning.

De aanpak: ingebouwd in de workflow, niet erop geplakt

Het technische werk was altijd maar de helft van de klus. De lastigere helft was om drie modellen zich als één betrouwbaar systeem te laten gedragen binnen een drukke klinische omgeving. Dat betekende: rommelige, ongestructureerde, multi-bron data inlezen en omzetten naar consistente gestructureerde parameters; modelvoorspellingen combineren met richtlijngebaseerde criteria zodat uitkomsten in lijn blijven met de gevestigde standaarden voor bedrijfsgezondheid; en alles presenteren via de tools die de klinische teams al gebruiken, zodat adoptie niet afhing van het veranderen van iemands gewoonten.

Dat betrouwbaar leveren op nationale schaal is net zozeer een applicatieontwikkeling-vraagstuk als een datasciencevraagstuk: datapijplijnen, integratie met bestaande systemen, controleerbaarheid, en een interface die een clinicus onder tijdsdruk kan vertrouwen. De modellen zijn het slimme deel; het platform eromheen maakt dat slimme deel veilig om dagelijks op te bouwen.

Maker-checker: de clinicus aan het roer

Het leidende principe van AMAN AI is een clinicus-geleid maker-checker-model, en dat is de allerbelangrijkste ontwerpkeuze in het hele systeem. De AI is de "maker": die stelt een indicatieve classificatie, een cardiovasculaire risicoscore en een mentale-fitheidsscore voor, elk met onderbouwende redenering. De clinicus is de "checker": die beoordeelt, en accepteert, past aan of overruled elke uitkomst. Het systeem neemt nooit de eindbeslissing over de keuring.

Dat is om drie redenen belangrijk. Het houdt de verantwoordelijkheid waar die hoort — bij een bevoegde clinicus. Het voegt een laag systematische, consistente AI-validatie toe bovenop het menselijk oordeel, zodat twee vangnetten opvangen wat één zou kunnen missen. En het maakt het geheel eerlijk: elke uitkomst voor fitheid, cardiovasculair risico en mentale gezondheid is expliciet indicatief, ter ondersteuning van de beslissing van de clinicus en niet als vervanging ervan. Klinische inzet van dit type vereist bovendien passende toelating en toezicht door de clinicus, en het platform is gebouwd om dat te ondersteunen, niet te omzeilen. Het is dezelfde filosofie achter onze andere AI in de zorg — AI die het vertrouwen van een clinicus verdient door transparant te zijn en ondergeschikt te blijven aan diens oordeel.

Schaal en impact

Sinds de livegang in februari 2025 heeft AMAN AI circa 100.000 bedrijfsgezondheidskeuringen in productie ondersteund. De onderstaande cijfers zijn geleverde feiten uit een live implementatie, geen prognoses of sectorbenchmarks:

• ~100.000 bedrijfsgezondheidskeuringen verwerkt.
• Live sinds februari 2025, draaiend binnen de bestaande klinische workflows van de aanbieder.
• Drie AI-beslissingsondersteunende modellen — classificatie, cardiovasculair risico en mentale fitheid — in één platform.

Op dat volume zit de waarde in samengestelde consistentie. Elke keuring krijgt dezelfde systematische AI-controle voordat een clinicus aftekent, dezelfde gestructureerde consolidatie van dossiers, en dezelfde uitlegbare risicoscoring — precies het soort herhaalbare, traceerbare zorgvuldigheid dat grootschalige keuring nodig heeft en dat handmatige beoordeling moeilijk volhoudt over tienduizenden gevallen.

Voor wie dit is

AMAN AI is gebouwd voor een aanbieder van bedrijfsgezondheidszorg in de energiesector, maar het patroon geldt overal waar grootschalige, deskundige beoordeling snel én consistent moet blijven zonder de menselijke beslisser weg te halen. Draait u grootschalige medische keuringen, triage van klinische documenten, of een ander beoordelingsproces waarin een bevoegde professional de eindbeslissing moet houden, dan vertaalt het maker-checker-model zich direct. Het is vooral relevant in gereguleerde, hoogrisico-omgevingen — zorg, bedrijfsgezondheid, en veiligheidskritische sectoren zoals energie — waar zowel doorvoer als verdedigbaarheid tellen, en waar een black-box-beslissing simpelweg niet acceptabel zou zijn.

Hoe wij iets vergelijkbaars voor u zouden bouwen

We zouden niet beginnen met het bouwen van drie modellen. We zouden beginnen met uw workflow: waar het volume zit, waar de consistentie wegvalt, waar latent risico zich verbergt, en waar het oordeel van de clinicus niet onderhandelbaar is. Van daaruit scopen we een gerichte pilot op uw eigen data, bewijzen we de winst, en pas dan breiden we uit — dezelfde eerlijke, incrementele aanpak die u terugziet in ons werk rond klinische NLP en ECG-beslissingsondersteuning. Het maker-checker-principe gaat mee: AI als een snelle, consistente, uitlegbare second opinion, terwijl uw experts de controle en verantwoordelijkheid houden.

Transparante scoping staat op onze prijzen-pagina, en de snelste manier om te ontdekken of deze aanpak bij uw operatie past, is ons vertellen wat u wilt verbeteren. Neem contact op en wij scopen een gerichte pilot op uw eigen data — en rapporteren echte cijfers, net zoals AMAN AI dat doet.