Trends herkennen: van klacht naar signaal. Bij de patiënt geldt: hoe meer meetpunten, hoe beter een trend zichtbaar wordt. Hartslag wordt van oudsher alleen tijdens een artsbezoek gemeten dit is een momentopname. Met een smartwatch of smartring wordt dezelfde waarde elke minuut vastgelegd.

Dankzij de Europese European Health Data Space (EHDS) kunnen patiënten straks zelf dit soort gegevens toevoegen aan hun patiëntendossier. Deze data wordt anders geclassificeerd dan reguliere metingen1 , zodat de arts weet welke gegevens belangrijk zijn. Toch is de meerwaarde duidelijk: juist deze continue dataset maakt trendanalyse mogelijk, en dus vroege signalering van iets dat afwijkt zowel positief of negatief.

Het principe achter goede monitoring is overal hetzelfde. Verzamel data, herken trends, signaleer afwijkingen, en onderneem actie vóórdat iemand er last van heeft. Om dat te laten zien, vertel ik in dit blog hetzelfde verhaal vanuit twee kanten: een netwerkengineer die een storing troubleshoot, en een patiënt met een zorgvraag.

 

Scenario 1: de patiënt met vermoeidheidsklachten

Een patiënt komt bij de dokter met vermoeidheidsklachten. Er wordt bloedonderzoek gedaan en bloeddruk, hartslag en saturatie worden gemeten. De vraag die daaruit volgt: is dit normaal, of zien we iets afwijkends?

In beide situaties draait het om dezelfde vraag: hadden we dit probleem kunnen zien aankomen? Het antwoord is steeds vaker: ja, als je maar genoeg data hebt om een trend in te herkennen.

Scenario 2: de medewerker met wifi-problemen

Een medewerker heeft connectiviteitsproblemen en belt de servicedesk. Tijdens het gesprek vindt de eerste triage plaats en wordt een ticket aangemaakt:

“Medewerker heeft geen verbinding met het wifi-netwerk. Naar een andere locatie gaan heeft geen oplossing geboden.”

Notitie servicedesk: driver-updates uitgevoerd, laptop herstart. Helaas geen oplossing.

Het ticket gaat door naar het netwerkteam, dat nu  ná de melding op onderzoek uit moet.

Een patiënt krijgt op basis van trendanalyse eerder de juiste zorg, in plaats van dat hij pas wordt opgenomen op het moment dat de klachten al ernstig zijn. Het netwerk detecteert een zwakke wifi-schakel en lost het probleem op vóórdat de medewerker er zelf een melding van maakt.

Het patroon is hetzelfde: Om afwijkingen te kunnen herkennen, is data nodig, longitudinaal bij voorkeur, net als bij de patiënt. Op netwerkvlak is na ongeveer een week voldoende data verzameld om betrouwbaar afwijkingen te detecteren. Hiervoor gebruikt Mist een LSTM-model (Long Short-Term Memory): een AI-model dat bijzonder geschikt is om patronen te herkennen in data over een langere periode dit is te vergelijken met hoe een arts een trend in bloedwaarden leert herkennen.

Binnen Juniper Mist heet dit Marvis actions: afwijkingen in bepaalde statistieken die iets zeggen over de acties die een netwerkbeheerder moet nemen. Een voorbeeld: van de 1.500 authenticaties per uur gaan er normaal 10 tot 40 fout. Loopt dat ineens op naar 300, dan is er iets aan de hand hiervoor maakt Marvis automatisch een actie aan om dit uit te zoeken. Dit heet anomaly detection2 .

Deze anomaly detection geldt niet alleen voor authenticatie, maar ook voor:

• Authentication failure (bedraad en draadloos)
• DHCP failure (bedraad en draadloos)
• ARP failure (bedraad en draadloos)
• DNS failure (bedraad en draadloos)
• Traffic anomaly (switchpoort-statistieken)

Op HPE Discover 2026 is aangekondigd dat Marvis actions ook naar Aruba Central komt3 . Een volgende stap in de kruisbestuiving tussen HPE Mist en HPE Central.

Terug naar de patient

Zowel in de zorg als op netwerkvlak zorgen AI en nieuwe ontwikkelingen ervoor dat afwijkingen sneller en beter worden herkend. Dat is winst voor iedereen die er direct bij betrokken is: de patiënt en de medewerker.

Dat ontlast beide werelden. De IT-afdeling krijgt minder meldingen binnen, en de zorg kan patiënten helpen met minder impact zowel voor de patiënt én voor de zorg zelf. De gemeenschappelijke uitdaging in beide situaties blijft wel hetzelfde: de systemen en datastromen op de juiste manier koppelen, en dat op een veilige en snelle manier inrichten.

1. Zie European Health Data Space – Article 33 en de EHDS-toelichting van de Europese Commissie. ↩︎
2. Zie Juniper Mist AIOps – Anomaly Detection. ↩︎
3. Zie het HPE-persbericht over self-driving networks (juni 2026). ↩︎