Samenvatting

Relevantie. Kunstmatige intelligentie (AI) wordt steeds vaker gebruikt om huidafwijkingen te beoordelen. Het vertrouwen in deze technologie hangt echter niet alleen af van de nauwkeurigheid onder laboratoriumomstandigheden, maar ook van transparante gegevens over de prestaties in de praktijk. De meeste onderzoeken laten een hoge nauwkeurigheid zien onder gecontroleerde omstandigheden, maar slechts weinig rapporten combineren technische validatie, onafhankelijke klinische evaluatie en vergelijking met wetenschappelijke literatuur.

Doelstelling. De mogelijkheden en beperkingen van AI-huidanalyse beoordelen op basis van drie bronnen: het Skinive Accuracy Report 2026, een onafhankelijke klinische evaluatie in een gespecialiseerd verwijscentrum en recente wetenschappelijke publicaties die door vakgenoten zijn beoordeeld.

Methoden. Synthese van gegevens uit de technische validatie van het Skinive-algoritme, een onafhankelijke klinische evaluatie bij een complexe patiëntengroep en een analyse van de wetenschappelijke literatuur.

Resultaten. Het Skinive-algoritme laat van versie tot versie een geleidelijke verbetering van de nauwkeurigheid zien. Bij de onafhankelijke evaluatie van een complexe patiëntengroep werd in 80% van de gevallen een klinisch bruikbaar resultaat bereikt: de juiste diagnose behoorde tot de drie belangrijkste voorspellingen, de juiste ziektecategorie werd geïdentificeerd of er werd een passende verwijzingsrichting aangegeven.

Conclusies. AI-huidanalyse kan klinisch relevante ondersteuning bieden bij de vroege beoordeling van huidafwijkingen, mits de technologie wordt gebruikt als beslissingsondersteunend hulpmiddel en niet als vervanging van een arts. Aanvullende prospectieve multicenteronderzoeken zijn noodzakelijk.

Inleiding

Kunstmatige intelligentie is een van de snelst ontwikkelende technologieën binnen de dermatologie. Dankzij deep learning kunnen onder gecontroleerde omstandigheden nauwkeurigheidsniveaus worden bereikt die vergelijkbaar zijn met die van ervaren dermatologen. Het vertalen van deze resultaten naar de dagelijkse klinische praktijk blijft echter een belangrijke uitdaging.

De meeste onderzoeken beoordelen AI aan de hand van standaardindicatoren, zoals sensitiviteit, specificiteit en de oppervlakte onder de ROC-curve (AUROC). Deze indicatoren geven echter niet volledig weer hoe een systeem presteert bij uiteenlopende beeldkwaliteit, zeldzame aandoeningen en diverse patiëntengroepen. Daarom krijgt Real-World Evidence (RWE), oftewel bewijs uit de dagelijkse praktijk, steeds meer aandacht bij de beoordeling van medische AI-technologieën.

Dit rapport combineert technische validatie, onafhankelijke klinische evaluatie en vergelijking met de wetenschappelijke literatuur. Het stelt niet dat AI een definitieve diagnose kan stellen, maar onderzoekt de rol van AI als beslissingsondersteunend hulpmiddel voor vroege risicobeoordeling, zelfonderzoek van de huid en het prioriteren van verwijzingen naar specialisten.

Bronnen van wetenschappelijk bewijs

Het rapport combineert drie onafhankelijke bronnen:

1. Skinive Accuracy Report 2026 — technische validatie van het algoritme volgens een gestandaardiseerde methodologie.
2. Onafhankelijke klinische evaluatie in een gespecialiseerd verwijscentrum bij een complexe patiëntengroep.
3. Recente wetenschappelijke literatuur over AI in de dermatologie en digitale gezondheidszorg.

Elke bron levert andere informatie op: technische validatie beschrijft de prestaties onder gestandaardiseerde omstandigheden; klinische evaluatie onderzoekt het gedrag van het systeem bij complexe gevallen; wetenschappelijke literatuur biedt externe context.

Inzichten uit 6,5 miljoen AI-huidanalyses in de praktijk

Hoe AI wordt gebruikt in de dagelijkse dermatologische praktijk

Sinds de lancering heeft het Skinive-platform meer dan 6,57 miljoen AI-huidanalyses uitgevoerd (derde kwartaal van 2026). Daarmee beschikt het over een van de grootste bedrijfseigen verzamelingen van huidbeoordelingen die met smartphones onder praktijkomstandigheden zijn uitgevoerd.

Deze gegevens weerspiegelen niet de prevalentie van huidaandoeningen onder de algemene bevolking, maar laten wel zien hoe mensen dermatologische AI in het dagelijks leven gebruiken.

Figuur: Geografische verdeling van AI-huidanalyses.

Belangrijkste interpretatie: de dataset weerspiegelt het dagelijkse gebruik binnen verschillende gezondheidszorgsystemen en geografische regio’s, waardoor een grote verscheidenheid aan praktijkomstandigheden wordt vertegenwoordigd.

Geografische verdeling. De meeste analyses zijn afkomstig uit Duitsland, Rusland, India, het Verenigd Koninkrijk, Frankrijk, Italië, Bangladesh, Spanje, Australië en Brazilië.

Daarna volgen Argentinië, Colombia, Nederland, Mexico, Polen, Belarus, de Verenigde Staten, Oostenrijk, Chili en de Filipijnen.

Welke huidproblemen gebruikers daadwerkelijk controleren

Gebruikers zetten AI niet uitsluitend in voor screening op huidkanker.

Van de geïdentificeerde huidafwijkingen vormen inflammatoire huidaandoeningen de grootste categorie.

Figuur: Verdeling van huidafwijkingen die met behulp van AI zijn vastgesteld.

Belangrijkste interpretatie: inflammatoire huidaandoeningen vormen de grootste categorie binnen het dagelijkse gebruik van dermatologische AI, terwijl de beoordeling van huidkankerrisico’s een belangrijke klinische toepassing blijft.

Detectie van klinisch relevante risico’s

Bij 14,68% van alle AI-analyses werden afwijkingen geïdentificeerd die waren geclassificeerd als klinisch relevante risico-indicatoren waarvoor aanvullende aandacht nodig is.

Dit zijn geen bevestigde diagnoses, maar aanbevelingen van het algoritme over de mogelijke noodzaak om een specialist te raadplegen.

Figuur: Detectie van klinisch relevante risico’s.

Belangrijkste interpretatie: het aandeel uitgevoerde AI-huidanalyses dat resulteerde in aanbevelingen vanwege klinisch relevante risico’s.

Het relatief hoge percentage gedetecteerde risico’s wordt waarschijnlijk gedeeltelijk verklaard door zelfselectie: gebruikers kiezen er zelf voor om huidafwijkingen te laten beoordelen die zij verdacht vinden.

Mobiele platforms en toegankelijkheid

Ongeveer 60–65% van de analyses werd uitgevoerd op Android-apparaten, terwijl de overige analyses afkomstig waren van iPhone-gebruikers.

Deze verdeling laat zien dat dermatologische toepassingen op smartphones breed toegankelijk zijn, ongeacht het gebruikte mobiele ecosysteem.

Figuur: Verdeling van AI-huidanalyses per mobiel platform.

Beeldkwaliteit blijft de belangrijkste beïnvloedbare factor

Van de analyses die niet succesvol konden worden afgerond, hield het merendeel verband met twee vermijdbare factoren:

• onvoldoende belichting;
• onscherpe beelden door een verkeerde scherpstelling of beweging van de camera.

In tegenstelling tot beperkingen die samenhangen met de vorm en kenmerken van huidafwijkingen of met de camera zelf, kunnen gebruikers deze factoren zelfstandig corrigeren.

Figuur: Belangrijkste oorzaken van verminderde beeldkwaliteit.

Belangrijkste interpretatie: betere instructies voor het maken van huidfoto’s kunnen de diagnostische prestaties verder verbeteren zonder dat het AI-algoritme zelf hoeft te worden aangepast.

Belangrijkste observaties uit praktijkgegevens

De analyse van meer dan 6,57 miljoen AI-ondersteunde huidbeoordelingen levert verschillende belangrijke inzichten op die verder gaan dan conventionele validatieonderzoeken.

• Dermatologische AI wordt vaker gebruikt voor inflammatoire huidaandoeningen dan veel zorgprofessionals verwachten.
• Gebruikers wenden zich tot AI vanwege specifieke huidproblemen en niet voornamelijk voor grootschalige screening.
• Beeldkwaliteit is de belangrijkste beïnvloedbare factor voor een succesvolle analyse.
• Door de voortdurende uitbreiding van bedrijfseigen klinische gegevens kon het algoritme verder worden verbeterd, met name bij de herkenning van gepigmenteerde huidafwijkingen en de beoordeling van huidkankerrisico’s.

Accuracy Report 2026: belangrijkste bevindingen

Het Skinive Accuracy Report 2026 beschrijft de ontwikkeling van het Skinive-algoritme aan de hand van een gestandaardiseerde methodologie die consequent op opeenvolgende versies is toegepast.

• Het algoritme herkent 55 huidaandoeningen.
• Voor de training werd een klinisch geannoteerde dataset van ongeveer 250.000 afbeeldingen gebruikt.
• Sinds de lancering heeft het platform meer dan 6,5 miljoen AI-analyses verwerkt.
• Er is een consistente verbetering vastgesteld van de sensitiviteit, specificiteit, nauwkeurigheid en F1-score.

Figuur: Ontwikkeling van de prestaties van Skinive AI (2021–2026).

Belangrijkste interpretatie: de verbeteringen werden bereikt zonder één prestatie-indicator te optimaliseren ten koste van andere indicatoren. Het prestatieprofiel van het algoritme is evenwichtiger geworden.

Dit evenwicht is essentieel voor klinische beslissingsondersteunende systemen, waarbij zowel het risico op gemiste huidafwijkingen als het risico op fout-positieve resultaten moet worden meegewogen.

Klinische stresstest in een gespecialiseerd verwijscentrum

Onderzoeksopzet

In 2026 onderging Skinive een klinische evaluatie in een gespecialiseerd verwijscentrum. De naam van het centrum wordt vanwege vertrouwelijkheidsafspraken niet bekendgemaakt.

Het centrum ontvangt complexe gevallen die door huisartsen en dermatologen worden doorverwezen.

Dit onderzoek vormt daarom een stresstest onder bijzonder uitdagende omstandigheden en geen screeningsonderzoek onder de algemene bevolking.

• In totaal werden 241 onderzoeken uitgevoerd.
• Voor 160 gevallen waren volledige gegevens beschikbaar. Deze vormden de belangrijkste onderzoeksgroep.
• Referentiediagnoses: histopathologisch onderzoek bij 117 gevallen, cytologisch onderzoek bij 22 gevallen en een klinische diagnose door een dermatoloog bij 21 gevallen.

De evaluatie werd op verschillende niveaus uitgevoerd:

• Exacte overeenkomst met de eerste, tweede of derde voorspelling van het algoritme (Top 1, Top 2 en Top 3).
• Correcte identificatie van de ziektecategorie.
• Passende verwijzing op basis van het risiconiveau.
• Volledige afwijking van de referentiediagnose.
• Gevallen met aandoeningen die niet door het algoritme worden herkend.

Verschillen tussen basaalcelcarcinoom en plaveiselcelcarcinoom, evenals tussen melanoom en lentigo maligna-melanoom, werden niet als fouten beschouwd.

Deze aandoeningen zijn visueel moeilijk van elkaar te onderscheiden en vereisen histologisch onderzoek.

Patiëntenpopulatie

De onderzochte patiëntengroep was sterk geselecteerd en bijzonder complex.

Gevallen met een vermoeden van melanoom, basaalcelcarcinoom, plaveiselcelcarcinoom, de ziekte van Bowen en dysplastische naevi kwamen het meest voor.

Eenvoudige goedaardige huidafwijkingen waren vrijwel afwezig.

Dit is belangrijk voor de interpretatie van de resultaten.

Bij reguliere screeningspopulaties zijn de meeste huidafwijkingen goedaardig en vertonen ze typische kenmerken.

In dit onderzoek was daarentegen sprake van een onevenredig groot aandeel atypische, kwaadaardige, premaligne en diagnostisch onduidelijke gevallen waarvoor differentiaaldiagnostiek noodzakelijk was.

Daarom kunnen de resultaten niet rechtstreeks worden geëxtrapoleerd naar grootschalige bevolkingsscreening.

Resultaten

• Exacte overeenkomst met Top 1: 87 van de 160 gevallen — 54,4%.
• Exacte overeenkomst met Top 3: bij nog eens 19 gevallen (11,9%) stond de juiste diagnose op de tweede plaats en bij 7 gevallen (4,4%) op de derde plaats. In totaal behoorde de juiste diagnose bij 113 van de 160 gevallen tot de drie belangrijkste voorspellingen — 70,6%.
• Correcte ziektecategorie: nog eens 6 gevallen (3,75%). De exacte diagnose kwam niet overeen, maar de ziektecategorie werd correct geïdentificeerd.
• Passende verwijzing: 9 gevallen (5,6%). De diagnose en ziektecategorie kwamen niet overeen, maar de risicobeoordeling leidde wel tot een passende verwijzingsbeslissing.
• Samengesteld klinisch bruikbaar resultaat: wanneer de Top 3-overeenkomsten, correcte ziektecategorieën en passende verwijzingen worden gecombineerd, leverde Skinive bij 128 van de 160 gevallen een klinisch bruikbaar resultaat op — 80,0%.
• Overige gevallen: 6 niet-herkende aandoeningen (3,75%) en 26 volledig onjuiste resultaten (16,25%).
• Subgroepanalyse: bij 23 gevallen zonder histologisch onderzoek of met een onduidelijke cytologische uitslag kwam een van de drie belangrijkste voorspellingen bij 19 gevallen (82,6%) overeen met de klinische diagnose van de dermatoloog. Bij 4 gevallen (17,4%) werden afwijkingen vastgesteld, waarvan 3 betrekking hadden op aandoeningen die niet door het algoritme werden herkend.

Klinische interpretatie

De belangrijkste conclusie is niet dat Skinive in alle gevallen een exacte diagnose stelde. Dat was niet het geval.

Het belangrijkste resultaat is dat het systeem bij 80% van de gevallen in een uitzonderlijk complexe verwijspopulatie diagnostisch bruikbare informatie of ondersteuning bij de verwijzingsbeslissing bood.

Voor een beslissingsondersteunend hulpmiddel zijn een exacte diagnostische overeenkomst en een passende verwijzing twee gerelateerde, maar verschillende uitkomsten.

Histopathologisch onderzoek blijft noodzakelijk voor de definitieve classificatie van veel kwaadaardige en grensgevallen van huidafwijkingen.

Een AI-beoordeling op basis van een foto van een huidafwijking moet daarom niet uitsluitend worden beoordeeld op de mate waarin deze overeenkomt met een histologische diagnose.

Ook het vermogen om verdachte kenmerken te signaleren, risico’s in te schatten en tijdig specialistisch onderzoek te stimuleren, is klinisch relevant.

Foutenprofiel: volledig onjuiste resultaten kwamen voor bij 16,25% van de gevallen.

Het ging voornamelijk om zeldzame aandoeningen, zoals Spitz-naevus, juveniel xanthogranuloom en pyogeen granuloom, of om atypische verschijningsvormen van veelvoorkomende aandoeningen.

Er waren meer fout-positieve dan fout-negatieve resultaten.

Vanuit het oogpunt van oncologische waakzaamheid kan een neiging tot fout-positieve resultaten de voorkeur hebben, omdat daarmee het risico wordt verkleind dat een gevaarlijke huidafwijking over het hoofd wordt gezien.

Fout-positieve resultaten zijn echter niet zonder gevolgen: ze kunnen ongerustheid veroorzaken, leiden tot onnodige medische consulten en de druk op het zorgsysteem verhogen.

Het optimale evenwicht hangt af van de klinische omstandigheden en de beschikbaarheid van specialisten.

De resultaten ondersteunen het gebruik van Skinive als aanvullend hulpmiddel voor risicobewustzijn en klinische besluitvorming, maar niet als zelfstandig diagnostisch systeem.

Beperkingen van het onderzoek

• De belangrijkste onderzoeksgroep omvat slechts 160 gevallen, wat de statistische nauwkeurigheid beperkt.
• De steekproef is niet opeenvolgend samengesteld en niet representatief voor de algemene bevolking. Complexe en kwaadaardige huidafwijkingen zijn oververtegenwoordigd, waardoor spectrum- en selectiebias kunnen optreden.
• Niet alle referentiediagnoses werden histologisch bevestigd.
• De samengestelde uitkomst van 80% combineert drie verschillende beoordelingsniveaus en mag daarom niet worden aangeduid als ‘80% diagnostische nauwkeurigheid’. De exacte Top 1- en Top 3-overeenkomsten bedragen respectievelijk 54,4% en 70,6%.
• De resultaten kunnen niet rechtstreeks worden toegepast op bevolkingsscreening, eerstelijnszorg of zelfstandige huidbeoordeling door gebruikers.

Vergelijking met gepubliceerde wetenschappelijke literatuur

In het afgelopen decennium hebben talrijke onderzoeken aangetoond dat deep-learningmodellen bij afzonderlijke classificatietaken onder gecontroleerde omstandigheden prestaties kunnen bereiken die vergelijkbaar zijn met die van dermatologen.

Dezelfde onderzoeken benadrukken echter dat nauwkeurigheid onder laboratoriumomstandigheden niet gelijkstaat aan effectiviteit in de dagelijkse klinische praktijk.

Systematische reviews wijzen op aanzienlijke verschillen tussen onderzoeken.

Verschillen in beeldacquisitie, ziekteprevalentie, referentiestandaarden en gebruikte prestatie-indicatoren bemoeilijken directe vergelijkingen.

Daarom worden prospectieve klinische validatie en Real-World Evidence steeds vaker aanbevolen.

De resultaten van Skinive sluiten aan bij deze ontwikkeling.

Ze laten een geleidelijke verbetering zien door iteratieve ontwikkeling, uitbreiding van datasets en voortdurende validatie, in plaats van één enkele technologische doorbraak.

Het rapport heeft niet als doel aan te tonen dat Skinive beter presteert dan andere systemen.

Verschillen in onderzoeksopzet en samenstelling van de steekproeven maken een wetenschappelijk verantwoorde directe vergelijking onmogelijk.

De conclusies ondersteunen de groeiende wetenschappelijke consensus: een betrouwbare beoordeling van klinische beslissingsondersteunende systemen vereist meerdere aanvullende bronnen van bewijs.

Discussie

Dit rapport combineert drie bronnen van bewijs: technische validatie, onafhankelijke klinische evaluatie en vergelijking met wetenschappelijke literatuur.

De technische validatie laat een geleidelijke verbetering van het algoritme zien.

De klinische evaluatie vult deze gegevens aan door te laten zien hoe het systeem functioneert onder aanzienlijk complexere diagnostische omstandigheden.

De wetenschappelijke literatuur biedt externe context.

Een belangrijke observatie is dat de beoordeling van medische AI verder moet gaan dan één enkele prestatie-indicator.

Een exacte diagnostische overeenkomst blijft belangrijk, maar weerspiegelt niet volledig de klinische waarde van systemen voor vroege beoordeling en triage.

Zelfs binnen een complexe verwijspopulatie bood Skinive vaak klinisch relevante ondersteuning via differentiaaldiagnostiek, herkenning van ziektecategorieën of verwijzingsadviezen.

Praktische implicaties voor de eerstelijnszorg, teledermatologie en zelfonderzoek: de belangrijkste vraag is vaak niet ‘Wat is de exacte diagnose?’, maar ‘Moet deze patiënt naar een arts worden verwezen?’.

Wanneer AI op de juiste manier wordt gebruikt, kan de technologie bijdragen aan vroege detectie, bewustwording bij patiënten en het prioriteren van verwijzingen.

AI vormt daarmee een aanvulling op lichamelijk onderzoek, dermatoscopie en histologisch onderzoek, zonder deze te vervangen.

Het rapport benadrukt daarnaast het belang van transparantie.

Technische nauwkeurigheid alleen geeft een onvolledig beeld van de prestaties.

Onafhankelijke evaluatie, bespreking van beperkingen en vergelijking met wetenschappelijke literatuur maken een realistische interpretatie van de resultaten mogelijk.

Beperkingen en toekomstige ontwikkelingen

• De klinische evaluatie werd uitgevoerd in een gespecialiseerd centrum bij een sterk geselecteerde patiëntengroep. De resultaten weerspiegelen daarom niet de omstandigheden in de reguliere eerstelijnszorg of bij zelfstandig huidonderzoek.
• Niet alle huidafwijkingen werden met dezelfde diagnostische methoden geverifieerd.
• De volledige dataset is niet openbaar beschikbaar, wat de externe reproduceerbaarheid beperkt, hoewel de methodologie en prestatie-indicatoren worden gepubliceerd.
• Geen enkele dataset, studie of prestatie-indicator kan de betrouwbaarheid van een AI-systeem volledig beschrijven. Aanvullend praktijkonderzoek, onafhankelijke externe evaluaties en prospectieve multicenteronderzoeken blijven noodzakelijk.
• Toekomstige versies van het rapport zullen naar verwachting grotere prospectieve datasets, longitudinale analyses, aanvullende externe evaluaties en uitgebreidere gegevens over patiëntentriage bevatten.

Conclusie

Kunstmatige intelligentie speelt een steeds belangrijkere rol binnen de moderne dermatologie.

Het vertrouwen in deze technologie moet echter gebaseerd zijn op transparant wetenschappelijk bewijs en niet op afzonderlijke prestatie-indicatoren.

Belangrijkste conclusies:

1. Technische validatie toont een voortdurende verbetering van het Skinive-algoritme aan van versie tot versie.
2. Onafhankelijke klinische evaluatie bevestigt klinisch relevante bruikbaarheid onder complexe omstandigheden: bij een uitzonderlijk complexe patiëntengroep werd in 80% van de gevallen een klinisch bruikbaar resultaat bereikt.
3. Klinische bruikbaarheid gaat verder dan een exacte diagnose. Correcte classificatie van aandoeningen en passende verwijzingsadviezen zijn belangrijke onderdelen van beslissingsondersteuning.
4. De resultaten sluiten aan bij de wetenschappelijke literatuur, waarin steeds vaker wordt benadrukt dat technische validatie moet worden gecombineerd met praktijkgegevens en onafhankelijke klinische evaluatie.
5. Transparantie over sterke punten en beperkingen is essentieel. Verantwoorde toepassing van AI vereist voortdurende validatie, onafhankelijke evaluatie en regelmatige rapportage.

AI vervangt de dermatoloog niet.

Wanneer de technologie op de juiste manier wordt geïntegreerd in bestaande zorgstandaarden, kan AI wel bijdragen aan vroege risicobeoordeling, bewustwording bij patiënten en het prioriteren van specialistische verwijzingen.

Beschikbaarheid van gegevens

De volledige trainingsdataset en de bedrijfseigen beeldcollecties zijn niet openbaar beschikbaar vanwege beschermde klinische gegevens en intellectuele-eigendomsrechten.

Geaggregeerde prestatie-indicatoren, de methodologie en de validatieresultaten zijn beschikbaar via het Skinive Accuracy Report 2026 en de bijbehorende wetenschappelijke publicaties.

Belangenconflicten

Kirill Sokol is de oprichter van Skinive.

De auteurs zijn betrokken bij de ontwikkeling, validatie en commercialisering van het Skinive AI-platform.

De onafhankelijke klinische evaluatie die in dit rapport wordt beschreven, werd uitgevoerd door zorgprofessionals van een gespecialiseerd tertiair dermatologisch verwijscentrum.

De medische instelling behield de volledige verantwoordelijkheid voor het vaststellen van de referentiediagnoses volgens de gebruikelijke klinische praktijk.

De identiteit van de instelling wordt op grond van een geheimhoudingsovereenkomst niet bekendgemaakt. Dit heeft geen invloed op de interpretatie van de gepresenteerde resultaten.

De auteurs verklaren geen andere belangenconflicten te hebben.

Veelgestelde vragen (FAQ)

Wat is het Skinive Real-World Evidence Report?

Het Skinive Real-World Evidence Report geeft een overzicht van de resultaten van meer dan 6,5 miljoen AI-ondersteunde huidanalyses, gecombineerd met klinische validatiegegevens en wetenschappelijk bewijs uit door vakgenoten beoordeelde publicaties.

Het doel van het rapport is om transparant te beschrijven hoe Skinive AI in het dagelijks gebruik presteert, wat de diagnostische nauwkeurigheid is en welke beperkingen grote datasets uit de praktijk hebben.

Waarom is een dataset van 6,5 miljoen huidanalyses belangrijk?

Grote datasets uit de praktijk stellen AI-algoritmen bloot aan een breed scala aan huidtypen, opnameomstandigheden en klinische verschijningsvormen die moeilijk volledig kunnen worden nagebootst in gecontroleerde onderzoeken.

Ze bieden daarnaast waardevolle inzichten in hoe mensen AI-ondersteunde dermatologie daadwerkelijk gebruiken in het dagelijks leven.

Kan kunstmatige intelligentie huidkanker nauwkeurig detecteren?

Kunstmatige intelligentie kan helpen bij het identificeren van huidafwijkingen die medische aandacht vereisen, waaronder verdachte gepigmenteerde afwijkingen die verband kunnen houden met melanoom en andere vormen van huidkanker.

AI moet echter worden beschouwd als een beslissingsondersteunend hulpmiddel en niet als vervanging van klinisch onderzoek of histopathologische diagnostiek.

Kan kunstmatige intelligentie een dermatoloog vervangen?

Nee. AI is ontwikkeld ter ondersteuning van vroege risicobeoordeling en triage, niet om dermatologen te vervangen.

Definitieve diagnoses en behandelbeslissingen moeten altijd worden genomen door gekwalificeerde zorgprofessionals.

Welke factoren verminderen het vaakst de prestaties van AI bij huidanalyse?

De meest voorkomende oorzaken van mislukte analyses of verminderde beeldkwaliteit zijn:

• onvoldoende belichting;
• onscherpe beelden;
• onjuiste scherpstelling;
• onvolledige weergave van de huidafwijking.

Het verbeteren van de beeldkwaliteit verhoogt de betrouwbaarheid van AI-ondersteunde huidbeoordelingen aanzienlijk.

Is Skinive klinisch gevalideerd?

Ja. Skinive heeft meerdere validatieonderzoeken en een jaarlijks Accuracy Report gepubliceerd, waarin de methodologie, validatiedatasets en diagnostische prestaties van het algoritme worden beschreven.

Het klinische bewijsmateriaal wordt voortdurend bijgewerkt naarmate het platform zich verder ontwikkelt.

Meer informatie is beschikbaar via Clinical Evidence Hub.

Welke smartphones werden gebruikt voor deze AI-huidanalyses?

Ongeveer 60–65% van de onderzoeken werd uitgevoerd op Android-apparaten, terwijl de overige analyses afkomstig waren van iPhone-gebruikers.

Deze brede verdeling over verschillende apparaten maakt het mogelijk om de prestaties van het algoritme te beoordelen bij uiteenlopende camerasystemen en opnameomstandigheden in de praktijk.