Generatieve AI voor cardiologen
Een volwaardige inleiding in Large Language Models voor cardiologen en AIOS. Geen marketingverhaal — wel hoe ze werken, wat je ermee kunt in de kliniek, en waarom jij de safety layer bent.
De cursus volgt dezelfde opbouw als ChatGPT voor beginners: korte uitleg → 2–3 meerkeuzevragen → een live oefening in ChatGPT of Claude. Op elk moment kun je terug naar deze startpagina.
De technologie zit al binnen onze ziekenhuizen — de kennis erover loopt achter. Deze cursus haalt dat gat in.
Wie maakt deze chatbots? Vestigingsregio — en waar je op let als arts
In deze cursus oefen je vooral met ChatGPT en Claude. Er komen ook andere modellen langs: Gemini (Google), Mistral (de Franse / EU-speler; relevant als je ziekenhuis een Europese leverancier zoekt) en DeepSeek. Dit blok is geen juridisch of privacy-oordeel: het helpt je bewust te kiezen wat je waar plakt. Raadpleeg altijd het actuele privacybeleid van de leverancier én het beleid van je ziekenhuis en wetenschappelijke vereniging.
| Product | Welk bedrijf? | Vestigingsregio | Waar je op let als arts |
|---|---|---|---|
| ChatGPT | OpenAI | Verenigde Staten (VS), San Francisco. | VS-jurisdictie; opslag- en trainingsbeleid wisselt per product en abonnement (gratis vs Plus vs Enterprise vs API met zero-data-retention). Geen patiëntdata in de publieke chat zonder DPIA en goedkeuring van je organisatie. |
| Claude | Anthropic | Verenigde Staten (VS), San Francisco. | Anthropic positioneert zich publiekelijk nadrukkelijk rond AI-ethiek (o.a. AI safety, de zelfgekozen term Constitutional AI). Dat maakt beleid soms expliciet voorzichtig — geen vrijbrief om patiëntdata zomaar te delen. Verifieer apart of jouw use case past binnen organisatorische en juridische kaders (DPIA, verwerkersovereenkomst, sub-processors). |
| Gemini | Google DeepMind | Verenigde Staten / wereldwijd; Google heeft datacenters in de EU (let op productlijn: Gemini app, Google AI Pro, Workspace, NotebookLM). | Diepe integratie met Google Workspace betekent ook dat Gemini je Drive/Gmail/Docs kan lezen — alleen activeren als de organisatie dat heeft geconfigureerd. EU-rollout van Personal Intelligence loopt achter door data-residency wetgeving. |
| Mistral / Le Chat | Mistral AI | Frankrijk (Parijs) — binnen de EU. Hosting binnen de EU mogelijk; verschillende modellen zijn open-weights. | Voor zorginstellingen die data-residency en AVG-compliance zwaar wegen vaak het eerste alternatief naast Microsoft Azure-gehoste GPT/Claude. EU-jurisdictie staat dichter bij richtlijnen van NEN-7510, vereniging Cardio en NFU. Tegelijk: het klinische ecosysteem is kleiner, de medische literatuur over Mistral-prestaties is dunner dan voor GPT/Claude, en “EU-gevestigd” ≠ automatisch dat álle data en sub-processors in de EU blijven — wel toetsen per product en abonnement. |
| DeepSeek | DeepSeek (深度求索) | China (Hangzhou, Zhejiang). | Chinese regelgevings- en soevereiniteitscontext. Voor Europese zorgdata en zeker patiëntdata extra alert op locatie van verwerkers, juridisch kader en mogelijke politieke/handelsaspecten. Zelfde technische risico's op hallucinatie en bias als bij andere modellen. |
Reflectievraag: stel je wilt een geanonimiseerde casus van een patiënt met endocarditis voorleggen aan een LLM voor differentiële overweging. Welke twee inhoudelijke vragen zou je aan ICT/CIO of de FG van je ziekenhuis stellen vóór je überhaupt typt — en welk antwoord laat je tegelijk vooraf “rood” zijn (dus niet doen) onafhankelijk van de tool? En als opvolg: weegt voor jouw afdeling het EU-argument voor Mistral zwaarder dan de klinische rijpheid van ChatGPT of Claude, of net andersom?
De vijf modules
Elke module begint met korte, klinisch-gerichte uitleg, gevolgd door meerkeuzevragen met feedback en eindigt met een live oefening die je direct in ChatGPT of Claude kunt openen. Geen patiëntdata — wel realistische cardiologische scenario's.
Module 1 — Wat is een LLM?
Het AI-landschap, de kerntruc in één zin (volgend token voorspellen), tokens en embeddings, vectoren als betekenis, schaal en emergent behavior. Met een tokenizer-experiment om het zelf te zien.
Start module 1Module 2 — Hoe wordt het gemaakt?
Pre-training, supervised fine-tuning, RLHF/DPO, domain-FT (Med-PaLM, MedGemma) en RAG. De Transformer en attention. Het context window — waarom je je vraag onderaan zet en wat “lost in the middle” betekent voor lange richtlijnen.
Ga naar module 2Module 3 — De belangrijkste spelers (ChatGPT, Claude, Gemini, Mistral, DeepSeek)
Per tool: wat zij goed kunnen, wat niet, en welke je wanneer pakt voor brieven, richtlijnen, code, data of beeld. Mistral (Parijs, EU) komt apart aan bod als data-residency-route; DeepSeek (China) als soevereiniteitscasus. Plus het exponentiële tempo: wat vandaag “net niet” is, is over 12 maanden vaak wel bruikbaar.
Ga naar module 3Module 4 — Cardio-promptarchitectuur
Rol + context + taak + format + onzekerheid. Differentiële diagnose bij borstpijn, ontslagbrief redigeren, patiëntinformatie op B1-niveau, ECG en beeldvorming-bevindingen samenvatten, literatuur en richtlijnen. Vijf live oefeningen.
Ga naar module 4Module 5 — Risico's en hoe je ze inkadert
Hallucinaties (waarom ze géén bug zijn), AVG en de verkeerslicht-regel, bias in het model en in de gebruiker (automation bias), de vier vuistregels, en hoe je dit lokaal verankert (DPIA, governance, ESC AI Hub). Hallucinatie-jacht als afsluitende oefening.
Open module 5