Hoe Bluesight met AI 4000 uur handmatig werk bespaart in ziekenhuisapotheken

Sophie Jansen · 2026-07-14

AWS (Amazon Web Services) heeft onthuld hoe Bluesight Prism ontwikkelde, een AI-laag die apotheek- en nalevingsgegevens in ziekenhuizen met elkaar verbindt. Dit systeem pakt een van de grootste pijnpunten aan: de enorme hoeveelheid handmatig werk die farmaceutische teams elk jaar moeten verrichten. ### Wat is 340B en waarom is het zo'n uitdaging? Het 340B-programma is een federaal initiatief dat bepaalde ziekenhuizen korting geeft op medicijnen. Maar de regels zijn complex. Ziekenhuizen mogen niet zomaar geneesmiddelen via inkooporganisaties (GPO's) kopen als er andere kanalen beschikbaar zijn. Nalevingsteams moeten elke uitzondering documenteren, en dat is een tijdrovend proces. AWS meldt dat een enkele instelling jaarlijks meer dan 4000 uur kwijt is aan het controleren van GPO-aankopen. Dat is alsof je twee fulltime medewerkers alleen maar laat bezig zijn met papierwerk. Ze moeten aankoopgegevens vergelijken met: - Tekortmeldingen van de Amerikaanse FDA - Gegevens van de American Society of Health-System Pharmacists - Voorraadstanden (dagen voorraad) - Machine learning-voorspellingen over tekorten - Back-order rapporten van andere ziekenhuizen ### Prism Assistant: een gespreksinterface voor naleving Bluesight begon met ControlCheck, een product dat verdachte medicatietransacties opspoort. Maar nalevingsmedewerkers moesten nog steeds handmatig rapporten samenstellen, dashboards doornemen en gegevens correleren. Daar bracht Prism Assistant verandering in. Deze AI-assistent biedt een conversatie-interface waarmee gebruikers eenvoudig vragen kunnen stellen aan de ControlCheck-data. Het systeem genereert grafieken en rapportmateriaal in seconden. AWS claimt dat Bluesight de eerste versie in slechts drie dagen bouwde, tijdens een speciale sessie in september 2025. Acht Bluesight-engineers werkten samen met zeven AWS-specialisten. ### De technische aanpak: snel en veilig Het team gebruikte Strands Agents met Amazon Bedrock en hostte de applicatie via Amazon Bedrock AgentCore Runtime. De AgentCore Gateway stelde meer dan tien ControlCheck-API's beschikbaar als MCP-tools. Zo kon de AI-agent ze tijdens een gebruikersvraag zelf ontdekken en aanroepen. Belangrijk: Bluesight gaf de taalmodellen geen directe toegang tot de database. In plaats daarvan wikkelden ze bestaande API-endpoints in AWS Lambda-functies die gestructureerde data teruggeven. De bedrijfslogica bleef in de applicatielaag, terwijl de agent vragen interpreteerde, tools selecteerde, gegevens verzamelde en resultaten presenteerde. > "Dit is precies waar leiders van diversieprogramma's op hebben gewacht. Het brengt hen sneller bij antwoorden en haalt het handmatige sleurwerk uit elk onderzoek," zegt Samir Neyazi, Director of Product Management bij Bluesight. ### Resultaten: van vijf minuten naar tien seconden Volgens AWS daalde de responstijd van vijf minuten naar tien seconden. De implementatie omvatte ook een frontend met grafiekgeneratie, observatiecontroles, kostentoerekening, encryptie, authenticatie en infrastructuur als code. Bluesight zette de dienst binnen een virtueel privénetwerk en bereikte algemene beschikbaarheid in minder dan negen maanden. Twintig gezondheidssystemen gebruiken nu Prism Assistant. ### De toekomst: een multi-agent voor 340B-naleving Bluesight werkt aan een uitgebreidere GPO-agent die gegevens uit CostCheck, ShortageCheck en 340BCheck combineert. CostCheck levert aankoopinformatie, ShortageCheck bewijst medicijnbeschikbaarheid en 340BCheck valideert geschiktheidsgegevens. De voorgestelde architectuur gebruikt Anthropic Claude Sonnet 4.6 als primair model en Claude Haiku 4.5 voor operaties met lagere latentie via Amazon Bedrock. De verwachting is dat deze multi-agent later in 2026 beschikbaar komt. ### Wat betekent dit voor de Nederlandse zorg? Hoewel dit project zich richt op Amerikaanse regelgeving, laat het zien hoe AI handmatige processen in de zorg kan transformeren. Ook Nederlandse ziekenhuizen worstelen met complexe nalevingsvereisten en enorme datastromen. De lessen uit dit project zijn universeel toepasbaar: AI kan niet alleen tijd besparen, maar ook de nauwkeurigheid verbeteren en medewerkers ontlasten, zodat zij zich kunnen richten op waar ze echt goed in zijn: patiëntenzorg.