Tijdens de recente ONE Conference van OutSystems deelden Matthijs van Hagen (Product Lead bij Cordaan) en ik het podium om een fundamenteel probleem in de zorgsector te adresseren. Voor wie de organisatie niet kent: Cordaan is een van de grootste zorgverleners in en rondom Amsterdam. Met circa 6.000 medewerkers ondersteunen zij meer dan 20.000 cliënten binnen de ouderenzorg, gehandicaptenzorg en geestelijke gezondheidszorg.
De operationele complexiteit van een dergelijke organisatie is enorm. Matthijs schetste een uitdaging die elke CTO zal herkennen: een overvloed aan gefragmenteerde point solutions. De zorgmedewerkers van Cordaan verloren zichzelf in een doolhof van apps voor medicatie, zorgplannen en protocollen.
Met Cordaan Werkt hebben we met OutSystems een centrale "superapp" gebouwd om die versnippering tegen te gaan. De nieuwste toevoeging hieraan is een geavanceerde implementatie van RAG (Retrieval Augmented Generation).
Wat is RAG en waarom is het cruciaal voor de zorg?
Voor wie de term nog niet dagelijks gebruikt: RAG is een architecturaal patroon dat een Large Language Model (zoals GPT-5) koppelt aan een specifieke, externe informatiebron.
Het gebruik van generatieve AI in een klinische of zorggerelateerde context is riskant als je uitsluitend vertrouwt op publieke LLM’s. De kans op hallucinaties is simpelweg te groot. Tegelijkertijd is de digitale bibliotheek van een grote zorginstelling vaak een kerkhof van ongebruikte PDF-protocollen.
RAG slaat de brug tussen deze twee werelden. In plaats van te hopen dat een model de juiste informatie 'weet', dwingen we de AI om antwoorden te formuleren die exclusief zijn gebaseerd op de eigen, gevalideerde brondocumenten van Cordaan. Dit proces verloopt via een strak gedefinieerde pipeline: retrieval van relevante chunks, augmentatie van de prompt en tenslotte de generatie van het antwoord.
Wanneer een zorgverlener een vraag stelt, zoekt het systeem eerst de meest relevante fragmenten op in de interne protocollen (Retrieval). Deze feitelijke informatie wordt vervolgens als context meegegeven aan het AI-model (Augmented), dat op basis daarvan een accuraat antwoord formuleert (Generation). Dit minimaliseert de kans op hallucinaties en zorgt ervoor dat de output altijd direct verifieerbaar is aan de bron.
De architectuur: Van testfase naar evolutie
Tijdens onze presentatie op de ONE Conference toonden we de blauwdruk die we tijdens de initiële testfase hebben gehanteerd. Het is belangrijk om te vermelden dat deze architectuur de basis vormde voor onze proof-of-concept. Inmiddels is de architectuur deels geshift terwijl we richting brede productie schalen, wat illustratief is voor de snelheid van deze technologie.
De fundamenten van die fase waren:
- Azure AI Search als orchestrator: Tijdens de testfase gebruikten we de indexeringsmogelijkheden van Azure. We benutten toen vooral BM25 Search voor lexicale precisie en vullen dit aan met Semantic Search om de contextuele relevantie te verhogen zonder de overhead van een volledige vector-database.
- Intelligente Chunking: We ontwikkelden een eigen chunking-mechanisme op karakterbasis met een strategische overlap. Dit zorgt ervoor dat de semantische waarde niet verloren gaat bij het opknippen van documenten, wat essentieel is voor de accuratesse.
- OutSystems AI Workbench: Deze fungeerde als de veilige gateway naar het LLM, waarbij we volledige controle hielden over de datastromen en de integriteit van de prompts.
Lessons Learned: Strategische inzichten voor AI in de zorg
Uit onze journey met Matthijs bij Cordaan zijn een aantal cruciale lessen naar voren gekomen die essentieel zijn voor elke zorginstelling die met AI start:
- Start met een 'Human-in-the-loop' mindset: AI moet assisteren, niet dicteren. De feedback loop waarbij zorgmedewerkers antwoorden kunnen beoordelen als 'nuttig' of 'niet nuttig' is niet alleen een technische validatie, maar ook een essentieel onderdeel van het adoptieproces op de werkvloer.
- Pragmatisme wint van complexiteit: In de testfase is de verleiding groot om direct voor de duurste vector-databases te gaan. Onze les? Begin simpel met lexicaal zoeken en breid uit naar semantisch zoeken wanneer de use case daarom vraagt. Dat bespaart aanzienlijke kosten in de vroege stadia.
- Data-hygiëne is de bottleneck: Het model is slechts zo goed als de bron. We ontdekten dat het opschonen van oude PDF-protocollen meer impact heeft op de kwaliteit van het antwoord dan het finetunen van het AI-model zelf.
- Architecturale flexibiliteit is een vereiste: Zoals onze eigen shift na de testfase bewijst: de AI-markt verandert wekelijks. Bouw je oplossing modulair zodat je relatief eenvoudig van provider of model kunt wisselen zonder je hele applicatielogica te herschrijven.
Guardrails en de menselijke maat
Zoals Matthijs benadrukte, is AI bij Cordaan een assistent en geen vervanger. Dit vertaalt zich in harde technische kaders: de bot is expliciet geconfigureerd als een niet-medisch hulpmiddel, elk antwoord bevat directe citaties naar de bron en privacy-filters waarborgen de anonimiteit voordat data het domein verlaat.
Vooruitblik: Van RAG naar Self-RAG
Hoewel de architectuur rondom de provider en implementatie inmiddels is geshift ten opzichte van onze eerste presentatie, blijft de visie ongewijzigd. We kijken nu naar patronen zoals Self-RAG, waarbij het model zelf de kwaliteit van de opgehaalde informatie beoordeelt voordat de gebruiker het ziet.
De les voor de sector is simpel: de techniek is een middel, geen doel. Door pragmatisch te starten, kritisch te leren van je testfase en bereid te zijn je architectuur aan te passen aan de praktijk, kun je de zorgmedewerker vandaag al tijd teruggeven voor waar het echt om gaat: de cliënt.
Bent u benieuwd naar hoe onze huidige architectuur eruitziet na de laatste shifts, of wilt u sparren over de specifieke lessons learned, of AI binnen uw eigen organisatie? Neem gerust contact op!
