Dit is de praktijk-module. Je leert prompts opbouwen volgens de vaste formule rol + context + taak + format + onzekerheid, en past dat toe op zes typische cardio-scenario's: differentiële diagnose bij borstpijn, ontslagbrief redigeren, patiënteninformatie op B1-niveau, ECG-bevindingen samenvatten, beeldvorming-context geven, en onderwijs maken voor co-assistenten.
Wat ga je leren: hoe een goede klinische prompt is opgebouwd, vijf live oefeningen waar je elke minimaal eens doet, en welke informatie je beter niet in een prompt zet — los van de tool.
Les 4.1 — De vijf bouwstenen van een klinische prompt
Doel: één checklist die je vóór elke prompt mentaal afgaat.
De vijf bouwstenen
1. Rol — wie speelt het model? (“Je bent een ervaren cardioloog met aandacht voor differentiële diagnose …”)
2. Context — wat moet het weten? (geanonimiseerde casus, relevante richtlijn, eerdere overweging)
3. Taak — wat is de exact gevraagde output? (“Maak een DD top 5 met argumenten pro/contra per item.”)
4. Format — hoe ziet het antwoord eruit? (lijst / tabel / brief / SBAR / lengte)
5. Onzekerheid — laat het model expliciet aangeven wat het wel/niet zeker weet en welke aannames het maakt.
Vooral de vijfde stap wordt vaak overgeslagen. Zonder dat staat het model in “zeker-weten”-toon. Eén regel toevoegen — “noem onderaan twee aannames die je hebt gedaan en één punt waarop je niet zeker bent” — maakt het hele antwoord vaak veel bruikbaarder, en zet jou alvast op verifieer-modus.
Vragen bij les 4.1
1. Waarom zou je de vijf bouwstenen — rol, context, taak, format, onzekerheid — gebruiken?
2. Wat is het belangrijkste effect van “noem twee aannames en één onzekerheid” toevoegen?
Les 4.2 — Bron leveren, niet bron vragen
De belangrijkste prompt-regel om hallucinaties van richtlijn-citaten te voorkomen.
Van module 1 weet je: een LLM “weet” de richtlijn niet — het heeft tekstpatronen onthouden. Zodra je vraagt “wat zegt de ESC-richtlijn X over Y?”, vult het model de vorm van een richtlijn-citaat in met inhoud die statistisch passend klinkt. Soms klopt het, soms niet.
De regel
Wil je betrouwbare richtlijn-inhoud? Plak zelf het relevante hoofdstuk in de prompt. Dan werkt het model met jouw bron, in plaats van zijn vage herinnering.
Twee varianten van dezelfde vraag — kijk wat het verschil doet:
❌ Vorm A — bron vragen
Wat zegt de ESC 2023-richtlijn endocarditis over de indicatie voor PET-CT bij prothetische klependocarditis?
✅ Vorm B — bron leveren
Hieronder hoofdstuk 5.3 van de ESC 2023-richtlijn endocarditis (gekopieerd uit het origineel):
[plak hier de exacte tekst van het hoofdstuk]
Vat in 5 bullets samen welke modaliteiten worden aanbevolen voor diagnostiek bij prothetische klep-endocarditis, en bij welke klinische situatie. Citeer telkens de exacte zin uit het hoofdstuk waarop je je baseert. Als iets niet expliciet in het hoofdstuk staat, schrijf je “niet vermeld in dit fragment”.
Vragen bij les 4.2
3. Wat is de beste prompt-strategie om hallucinerende richtlijn-citaten te voorkomen?
Les 4.3 — Differentiële diagnose bij borstpijn
Doel: een DD-prompt die structureert in plaats van conclusies forceert.
Wat een LLM niet mag doen: een definitieve klinische conclusie geven. Wat hij wel goed kan: een breed DD genereren, pro/contra-argumenten ordenen, en jou helpen geen categorie te vergeten. Zo komt het in een prompt:
Cardio DD-template
Rol: je bent een cardioloog op de SEH met aandacht voor brede differentiële diagnose.
Casus (geanonimiseerd):
[plak hier: leeftijd-range, geslacht, voorgeschiedenis kort, klachtpresentatie, vitale parameters, ECG-bevinding kort, lab kort. GEEN naam, BSN of unieke identificatoren.]
Taak: geef een differentiële diagnose top 6, gesorteerd van meest naar minst waarschijnlijk in deze presentatie. Per item:
- Pro-argumenten (uit de casus)
- Contra-argumenten (uit de casus)
- Eén aanvullend onderzoek dat deze diagnose snel kan bevestigen of uitsluiten
Format: een tabel met 4 kolommen.
Onzekerheid: noem onderaan welke 2 stukken aanvullende informatie de DD het meest zouden veranderen, en welke 1 mogelijkheid je bewust hebt weggelaten en waarom.
Twee bewust ingebouwde dingen:
Per item een aanvullend onderzoek. Dwingt het model van “diagnose-noemen” naar “hoe ga je verder?”. Bruikbaar voor de praktijk.
“Welke informatie zou de DD het meest veranderen?” Dat is de vraag die jij óók aan een goede AIOS zou stellen — en die houdt het gesprek bij “wat weten we niet” in plaats van “wat is het antwoord”.
Live oefening 1 — DD bij borstpijn
Plak het hele template in de chat en vul de casus aan met deze geanonimiseerde gegevens:
Rol: je bent een cardioloog op de SEH met aandacht voor brede differentiële diagnose.
Casus (geanonimiseerd):
Man, ca. 50 jaar, ex-roker, hypertensie. Sinds 90 minuten retrosternale druk uitstralend naar linker arm, geen verlichting na 2x nitro sublinguaal. RR 145/90, HF 95, SpO2 96 %. ECG: T-top inversies V2–V5, geen ST-elevaties. Eerste hs-troponine licht verhoogd boven 99e percentiel. Niet diabeet, geen familieanamnese voor vroegtijdig CV.
Taak: geef een differentiële diagnose top 6, gesorteerd van meest naar minst waarschijnlijk in deze presentatie. Per item:
- Pro-argumenten (uit de casus)
- Contra-argumenten (uit de casus)
- Eén aanvullend onderzoek dat deze diagnose snel kan bevestigen of uitsluiten
Format: een tabel met 4 kolommen.
Onzekerheid: noem onderaan welke 2 stukken aanvullende informatie de DD het meest zouden veranderen, en welke 1 mogelijkheid je bewust hebt weggelaten en waarom.
Aandachtspunten bij het beoordelen: (1) staat NSTEMI bovenaan met juiste pro/contra? (2) komen aorta-dissectie, longembolie en pericarditis terug? (3) wat noemt het model als “wat zou de DD het meest veranderen” — komt dat overeen met wat jij zelf zou willen weten?
Les 4.4 — Ontslagbrief redigeren
Doel: een brief van vorm en toon laten polijsten zonder klinische inhoud te verschuiven.
Dit is een van de hoog-frequente winstpunten: een eerste concept of ruwe punten omzetten in een nette ontslagbrief voor de huisarts. Belangrijk: jouw klinische uitkomsten, doseringen, controles staan in de prompt. Het model herschrijft de vorm, niet de inhoud.
Ontslagbrief-template
Rol: je bent een cardioloog die een korte, professionele ontslagbrief schrijft aan de huisarts.
Hieronder mijn ruwe punten / dictaat (geanonimiseerd):
[plak hier puntsgewijs]
Maak hieruit een nette ontslagbrief in deze structuur:
1. Korte aanhef + reden van opname
2. Belangrijkste bevindingen (in 1 alinea)
3. Diagnose(s)
4. Beleid in het ziekenhuis
5. Medicatie bij ontslag (puntsgewijs met dosering/frequentie)
6. Wat de huisarts moet doen (puntsgewijs)
7. Controle / poliafspraak
Regels:
- Verander GEEN doseringen, getallen of medicatienamen die in mijn dictaat staan.
- Voeg GEEN klinische bevindingen toe die ik niet heb genoemd.
- Houd het bondig: maximaal 350 woorden.
- Neutrale, professionele toon. Geen enthousiasme-woorden.
- Eindig met “Met collegiale groet, <mijn naam>” (laat <mijn naam> letterlijk staan, ik vul dat later in).
Vier regels die je verplicht meegeeft
Verander geen doseringen, getallen, of medicatienamen uit je dictaat.
Voeg geen klinische bevindingen toe die jij niet hebt genoemd.
Lengte vast (zorgt voor ‘compressie’ in plaats van toevoeging).
Toon vast (anders krijg je per ongeluk “de patiënt heeft een fantastische gezondheid”).
Vragen bij les 4.4
4. Welke regel houdt het model zo veel mogelijk weg van het “per ongeluk wijzigen” van doseringen?
Live oefening 2 — Ontslagbrief uit ruwe punten
Plak het template, met deze geanonimiseerde ruwe punten:
Rol: je bent een cardioloog die een korte, professionele ontslagbrief schrijft aan de huisarts.
Hieronder mijn ruwe punten / dictaat (geanonimiseerd):
- Vrouw, ca. 70 jaar
- Opname: hartfalen-decompensatie bij voorbekend HFrEF, EF ca. 30 %
- Reden opname: dyspneu klasse III, vol gewicht +4 kg in 2 weken
- Bevindingen: pulmonale stuwing, geen oedeem benen, lab Na licht laag, NT-proBNP fors verhoogd
- IV furosemide 80-40-40 mg pomp gestart, daarna oraal furosemide 40 mg ochtend
- HFrEF-therapie geoptimaliseerd: bisoprolol 5 mg, sacubitril/valsartan 49/51 2dd, dapagliflozine 10 mg gestart
- MRA niet hervat ivm hyperkaliemie 5,4
- Echo herhaald: EF 32 %, geen nieuwe wandbeweginsstoornissen
- Diagnose: gedecompenseerd HFrEF
- Controle polikliniek 2 weken
- HA: bloeddruk + kalium + creatinine na 1 week
Maak hieruit een nette ontslagbrief in deze structuur:
1. Korte aanhef + reden van opname
2. Belangrijkste bevindingen (in 1 alinea)
3. Diagnose(s)
4. Beleid in het ziekenhuis
5. Medicatie bij ontslag (puntsgewijs met dosering/frequentie)
6. Wat de huisarts moet doen (puntsgewijs)
7. Controle / poliafspraak
Regels:
- Verander GEEN doseringen, getallen of medicatienamen die in mijn dictaat staan.
- Voeg GEEN klinische bevindingen toe die ik niet heb genoemd.
- Houd het bondig: maximaal 350 woorden.
- Neutrale, professionele toon. Geen enthousiasme-woorden.
- Eindig met “Met collegiale groet, <mijn naam>”.
Check letterlijk: zijn de doseringen onveranderd? Is er niets toegevoegd dat jij niet hebt genoemd? Is de toon professioneel-neutraal (geen “patiënt is opgeknapt”-soort frasering)?
Les 4.5 — Patiëntinformatie op B1-niveau
Doel: een complexe diagnose helder uitleggen, zonder kennisrisico.
LLMs zijn opvallend goed in versimpelen. Voor een eenvoudige folder voor een patiënt met nieuw atriumfibrilleren is een goed gecomponeerde prompt voldoende om een eerste concept te krijgen — dat jij in een paar minuten klinisch corrigeert.
Wat B1-Nederlands betekent
Gemiddeld eindniveau havo / mbo, kort zinnetjes (max 15 woorden), actief, geen jargon zonder uitleg, voorbeelden uit het dagelijks leven. Een LLM trekt dit niveau snel als je het expliciet vraagt — maar zonder vermelding krijg je vaak C1-niveau (te complex voor folder).
Patiëntinformatie-template
Rol: je bent een cardioloog die een korte patiëntenfolder schrijft.
Onderwerp: [vul in: bv. nieuw ontdekt atriumfibrilleren bij volwassenen, eerste poli-afspraak]
Doelgroep: volwassenen met basis-Nederlandse leesvaardigheid. Schrijf op B1-niveau:
- Korte zinnen (max 15 woorden)
- Actieve werkwoorden
- Geen vakjargon zonder directe uitleg
- Geen Engelse termen die niet algemeen bekend zijn
Structuur (in deze volgorde):
1. Wat is <onderwerp> in 3 zinnen
2. Hoe het voelt of niet voelt (wat je kunt merken)
3. Waarom we het behandelen
4. Wat onze afspraken zijn (medicijnen, controles, leefstijl)
5. Wanneer u direct moet bellen (3 alarmsignalen)
6. Ruimte voor vragen — uitnodiging om uw vragen op te schrijven
Beperking: max 400 woorden. Eén onderwerp, dus geen DD of zeldzame complicaties.
Onzekerheid: noem onderaan, in 1 zin, welk medisch detail je bewust hebt weggelaten omdat het in deze folder verwarrend zou zijn.
Vragen bij les 4.5
5. Hoe verlaag je het taalniveau van een AI-gegenereerde folder consistent?
Live oefening 3 — Folder voor nieuw AFib
Rol: je bent een cardioloog die een korte patiëntenfolder schrijft.
Onderwerp: nieuw ontdekt atriumfibrilleren bij volwassenen, na eerste poli-afspraak waarin DOAC is gestart en hartfrequentiecontrole is afgesproken.
Doelgroep: volwassenen met basis-Nederlandse leesvaardigheid. Schrijf op B1-niveau:
- Korte zinnen (max 15 woorden)
- Actieve werkwoorden
- Geen vakjargon zonder directe uitleg
- Geen Engelse termen die niet algemeen bekend zijn
Structuur (in deze volgorde):
1. Wat is atriumfibrilleren in 3 zinnen
2. Hoe het voelt of niet voelt
3. Waarom we het behandelen
4. Wat onze afspraken zijn (medicijnen, controles, leefstijl)
5. Wanneer u direct moet bellen (3 alarmsignalen)
6. Ruimte voor vragen — uitnodiging om uw vragen op te schrijven
Beperking: max 400 woorden. Eén onderwerp.
Onzekerheid: noem onderaan, in 1 zin, welk medisch detail je bewust hebt weggelaten omdat het in deze folder verwarrend zou zijn.
Beoordeel: zinslengte, jargonvrije termen, alarmsignalen klinisch correct? Is wat het ‘bewust weggelaten’ heeft in deze setting werkelijk verwarrend (bv. ablatie-opties bij eerste folder) of had jij het zelf juist wél vermeld?
Les 4.6 — Beeldvorming en ECG — wat wel/niet aan de LLM
Doel: realistische verwachting van een tekst-LLM bij ECG en echo/CMR.
De huidige tekst-LLMs (ChatGPT, Claude) zijn geen ECG-interpretatiemodellen. Daar bestaan aparte AI-systemen voor (PMcardio, Cardiologs, etc.), getraind op miljoenen ECG-signalen. Wat een tekst-LLM wel goed doet:
Een ECG-rapport samenvatten in begrijpelijke taal.
Differentiële diagnose ontwikkelen nadat jij de ECG-bevindingen tekstueel hebt benoemd.
Een echo-verslag ordenen naar afwijkingen + ernst.
Patiëntuitleg maken bij een beeldvormings-uitkomst.
Wat hij niet moet doen: een ECG-foto direct interpreteren als basis voor klinisch beleid. Multimodale modellen (GPT-4 vision, Claude 3.5/4 met image) zien een ECG wel grafisch, maar maken fouten die een specialistisch ECG-AI-systeem of een cardioloog niet maakt. Voor onderwijs of een tweede meedenkende stem prima — voor beleid: niet.
De praktische werkverdeling
Jij of een ECG-AI-systeem interpreteert het ECG. De LLM helpt vervolgens met taal: samenvatting, DD, patiëntinformatie, brief.
Vragen bij les 4.6
6. Wat is een verstandige rolverdeling tussen LLM en cardioloog rond een ECG?
Live oefening 4 — Echo-verslag ordenen voor MDO
Plak deze prompt met een (fictief) echo-verslag in volledige tekstvorm:
Rol: je bent een cardioloog die een echocardiografie-verslag opschoont voor MDO-presentatie.
Hieronder het ruwe verslag (geanonimiseerd):
[plak hier een vrijgegeven echo-verslag in narrative-tekst, bv. een verslag dat begint met “Transthoracale echocardiografie. Linker ventrikel licht gedilateerd, eind-diastolische diameter 58 mm. Septum 13 mm…” etc.]
Taak: maak hier een korte gestructureerde samenvatting van, in deze indeling:
1. Belangrijkste bevindingen (3 bullets max)
2. Linker ventrikel: dimensies, functie (EF), regionale wandbeweging
3. Klepfunctie: per klep 1 regel (functie / regurgitatie / stenose / N.B.)
4. Rechterhart en pericard: kort
5. Belangrijkste vraag voor het MDO
Regels:
- Verander geen getallen of metingen.
- Voeg geen nieuwe bevindingen toe.
- Maximaal 200 woorden.
Onzekerheid: noem 1 punt waarop de tekst meerduidig is en waar je in het MDO duidelijkheid zou willen halen.
Controleer of meetwaarden onveranderd zijn, of er geen klepafwijkingen verzonnen zijn die niet in het verslag stonden, en hoe scherp het “wat is meerduidig”-punt is.
Les 4.7 — Literatuur en richtlijnen samenvatten
Doel: ESC-richtlijn of paper in een MDO-/CAT-formaat krijgen — met bron.
Combineer hier bewust drie dingen uit eerdere modules: bron leveren (module 4.2), vraag onderaan (module 2.4), en onzekerheid expliciet (module 4.1).
Richtlijn-samenvatting-template (met bron)
Rol: je bent een wetenschappelijk geschoolde cardioloog die voor een MDO een richtlijn-hoofdstuk samenvat.
Hieronder hoofdstuk [X.Y] van de [naam richtlijn, jaar], letterlijk gekopieerd:
[plak hier het complete hoofdstuk]
Taak (onderaan):
Maak een samenvatting in deze indeling:
1. Hoofdvraag van dit hoofdstuk (in 1 zin)
2. Wat is de algemene aanbeveling? (class / level of evidence indien vermeld)
3. Sub-aanbevelingen — bullets, met telkens de exacte zin uit de tekst die je citeert
4. Verschillen versus vorige versie (alleen als dit in de tekst staat — anders “niet vermeld”)
5. Praktische implicatie voor onze afdeling — in 2 zinnen
Strikt:
- Citeer ALLEEN wat in de bovenstaande tekst staat.
- Als iets niet expliciet vermeld is: schrijf “niet vermeld in dit fragment”.
- Verzin GEEN tabel- of paragraafnummers.
Onzekerheid: noem onderaan welke twee vragen je MDO zou moeten stellen om dit hoofdstuk veilig te kunnen implementeren.
Live oefening 5 — Eigen richtlijn-hoofdstuk samenvatten
Pak een hoofdstuk van een (openbaar beschikbare) ESC- of NVVC-richtlijn die jij vandaag nodig hebt. Kopieer het hele hoofdstuk en plak het in het template. Test daarna op tegenspraak: vraag het model expliciet “welke van jouw bullets zou een collega-cardioloog wellicht ter discussie stellen?”
Voor lange richtlijnen (60+ pagina's): Claude (200K–1M context) levert een vlottere route dan ChatGPT. Voor losse hoofdstukken werkt beide goed.
Les 4.8 — Onderwijs maken voor co-assistenten en AIOS
Doel: snel een casus + 5 leervragen genereren voor onderwijsmomenten.
Cardiologen geven veel onderwijs. Een goede casus + meerkeuzevragen maken vraagt 30–60 minuten. Met een goed template lukt een eerste concept in 5 minuten — dat je dan klinisch nascherpt.
Casus + leervragen-template
Rol: je bent een opleider cardiologie. Je maakt onderwijs voor AIOS jaar 2.
Onderwerp: [vul in: bv. interpretatie van eerste-uurs hs-troponine bij NSTE-ACS]
Maak hieronder:
1. Een korte realistische casus (~150 woorden, geanonimiseerd, eerste presentatie)
2. Vijf meerkeuzevragen (a/b/c/d), oplopend in moeilijkheidsgraad:
- Vraag 1: feitelijk / kennis
- Vraag 2: interpretatie ECG / lab
- Vraag 3: beleid / klinische beslissing
- Vraag 4: pitfall / typische fout
- Vraag 5: uitleg aan patiënt
3. Per vraag: het juiste antwoord + 2–3 zinnen feedback waarom dit klopt en waarom de andere opties niet — geschikt om aan een AIOS te tonen.
Strikt:
- Gebruik alleen mainstream klinische standaarden (geen exotische zeldzame diagnoses)
- Geef GEEN richtlijn-citaten met paragraaf-/tabelnummers (om hallucinatie te voorkomen)
Onzekerheid: noem onderaan welke vraag jij als opleider waarschijnlijk wilt herschrijven, en waarom.
Vragen bij les 4.8
7. Waarom zou je in een onderwijsprompt expliciet “geef geen richtlijn-citaten met paragraaf-/tabelnummers” zetten?
Les 4.9 — Wat je niet in je prompt zet
Doel: een korte rode lijst om elke werkdag te kunnen onthouden.
Voor de uitgebreide privacy-uitleg met het verkeerslicht-model: zie module 5. Hier vast de kortste samenvatting — om alvast handelingsregel te zijn voor de oefeningen in dit moduul:
Niet in een publieke chat (ChatGPT.com, Claude.ai, Gemini, DeepSeek-chat)
Patiëntnaam, BSN, geboortedatum, exact adres of contactgegevens.
Volledige tekst van een dossiernotitie of brief mét bovenstaande gegevens.
DICOM-bestanden, originele ECG-trace-bestanden, foto's waar herkenbare patiënt op staat.
Combinaties van zeldzame diagnose + locatie + tijdstip die de patiënt re-identificeerbaar maken.
Wat meestal wél kan (op eigen verantwoordelijkheid)
Geanonimiseerde casuïstiek: leeftijdsrange, geslacht, klacht, bevindingen — zonder identificeerbare details.
Eigen ruwe punten / dictaat zonder patiëntnamen.
Geheel fictieve cases.
Eigen brieven van waaruit jij eerst alles persoonlijks hebt gehaald.
Voor “eigen omgeving” (ziekenhuisgoedgekeurde Copilot/Claude Enterprise/Azure OpenAI met DPIA) gelden vaak ruimere regels — vraag dat na bij ICT en de Functionaris voor Gegevensbescherming.
Take-home van module 4
Vijf bouwstenen
Rol + context + taak + format + onzekerheid. Eén regel onzekerheid maakt elk antwoord 30 % bruikbaarder.
Bron leveren
Niet “wat zegt de richtlijn?” — wél: hier is hoofdstuk X, citeer alleen wat hier staat. Anti-hallucinatie regel #1.
LLM = taal
De LLM is een taalmachine voor brieven, samenvattingen, folders, DD-structuur, onderwijs. ECG/echo-interpretatie blijft cardioloog of gespecialiseerd AI-systeem.