De governancegrens: algoritmische integriteit, ondernemingsaansprakelijkheid en de overgang van predictieve wrappers naar Deep-AI-oplossingen

De gezondheidszorgsector staat begin 2025 op een volatiel kruispunt, gekenmerkt door een keerpunt op het snijvlak van klinische zorg en kunstmatige intelligentie. Jarenlang werd het narratief van AI in de onderneming gedomineerd door de snelle adoptie van large language models en dunne "wrapper"-toepassingen die administratieve workflows moesten optimaliseren. De catastrofale ineenstorting van het nH Predict-algoritme van UnitedHealth Group — die in februari 2025 culmineerde in een federale class-action-procedure — heeft echter de dodelijke risico’s blootgelegd die inherent zijn aan het inzetten van "black-box"-predictietools zonder rigoureuze governance, causale validatie en mensgericht toezicht.¹ Deze whitepaper, gepresenteerd door Veriprajna, onderzoekt de systemische tekortkomingen van het UnitedHealth-incident om een nieuwe standaard voor "Deep AI"-oplossingen te definiëren. Als adviesbureau aan de voorhoede van algoritmische integriteit betoogt Veriprajna dat het tijdperk van de simplistische LLM-wrapper ten einde loopt; in de plaats daarvan moet een raamwerk van causale intelligentie, verklaarbare architectuur en robuuste ondernemingsgovernance ontstaan.⁴

De anatomie van een systemisch falen: de nH Predict-crisis

De crisis rond UnitedHealth Group (UHC) en haar dochteronderneming NaviHealth geldt als de definitieve casestudy voor het "alignmentprobleem" in enterprise-AI. In het centrum van de controverse staat nH Predict, een predictief algoritme dat in 2020 door de Optum-divisie van UHC is overgenomen voor meer dan $1 billion.⁷ Op de markt gebracht als een care-managementtool was het algoritme ontworpen om de verblijfsduur en de medische behoeften te voorspellen van Medicare Advantage-patiënten in postacute zorgsettings, zoals skilled nursing facilities en revalidatiecentra.⁹

Het fundamentele falen van nH Predict was niet louter technisch, maar architecturaal. Het steunde op een database van 6 miljoen patiëntendossiers om historische uitkomsten te correleren en een "doel"-ontslagdatum te genereren.¹¹ Het model functioneerde echter als een correlatiegedreven black box en hield geen rekening met de geleefde realiteit van individuele patiënten — zoals de afwezigheid van een mantelzorger thuis, financiële instabiliteit of specifieke klinische complicaties — factoren die essentieel zijn voor het vaststellen van medische noodzaak volgens Medicare-standaarden.¹²

De kwantitatieve tol van algoritmische frictie

De operationalisering van nH Predict leidde tot een statistisch anomale piek in dekkingsweigeringen. Door "Machine Assisted Prior Authorization" in te zetten, wilde UHC het beoordelingsproces versnellen en de tijd die medische professionals nodig hadden om verzoeken te evalueren met zes tot tien minuten verkorten.³ Hoewel dit de doorvoer verhoogde, ontkoppelde het tegelijkertijd het besluitvormingsproces van klinische nuance.³

Operationele metric	Baseline 2019/2020	Gerapporteerd niveau 2022	Statistische verschuiving
Weigeringspercentage postacute PAC	8.7% - 10.9%	22.7%	108% - 160% toename
Weigeringen skilled nursing facility	Standaardbaseline	9x baseline-niveau	800% toename
Foutpercentage bij aangevochten weigeringen	N/A	90%	9 van 10 teruggedraaid
Percentage patiënten dat in beroep gaat	N/A	0.2%	Diep onderdrukt
Omzet UnitedHealth Group	$240bn (2019)	$300bn (2024)	Prognose $340bn (2025)

De meest vernietigende statistiek uit de Senate Permanent Subcommittee on Investigations (PSI) en de lopende rechtszaak is het foutpercentage van 90% bij aangevochten weigeringen.² In negen van de tien gevallen waarin een menselijke administrative law judge of een interne arts de weigering van het algoritme beoordeelde, werd de beslissing teruggedraaid.¹² Het strategische voordeel van UHC lag echter in het feit dat slechts 0.2% van de oudere of gehandicapte patiënten over de cognitieve, fysieke of financiële middelen beschikte om het complexe beroepsproces te doorlopen.³ Dit creëerde een perverse economische prikkel waarbij een onnauwkeurig algoritme hoogst winstgevend bleef, omdat de "administratieve frictie" die het genereerde de overgrote meerderheid van legitieme claims succesvol afschrikte.¹⁵

Algoritmische dwang en de erosie van klinisch oordeelsvermogen

Een centrale pijler van de class action van februari 2025 is de beschuldiging dat UnitedHealth AI niet louter als een "gids" gebruikte, maar als een verplicht voorschrift dat in de plaats trad van menselijk oordeel.³

Deze transformatie van een decision-supporttool tot een geautomatiseerde poortwachter betekent een totale ineenstorting van de "human-in-the-loop"-waarborg (HITL) die ogenschijnlijk wordt vereist door de Centers for Medicare & Medicaid Services (CMS).⁷

Het variantievoorschrift: 3% naar 1%

Interne onderzoeken en klokkenluidersverklaringen onthulden dat NaviHealth-managers starre targets stelden voor klinische medewerkers. Casemanagers kregen de instructie om de verblijfsduur van patiënten binnen een smalle variantie van de projectie van het algoritme te houden.⁸ Aanvankelijk vastgesteld op 3% werd dit target vervolgens versmald tot 1%.⁸ Zorgcoördinatoren in de frontlinie kregen de opdracht hun voortgangsbeoordelingen precies te laten samenvallen met de door het algoritme voorspelde ontslagdatum, en zo de klinische tijdlijn effectief te "engineeren" om bij het model te passen.¹¹

Het gevolg van dit voorschrift was "algoritmische dwang" (Algorithmic Coercion). Medewerkers die afweken van de nH Predict-projecties om tegemoet te komen aan de werkelijke medische behoeften van een patiënt, kregen te maken met disciplinaire maatregelen of ontslag.⁸ Deze omgeving dwong ervaren clinici — artsen en verpleegkundigen wier primaire plicht het patiëntenwelzijn is — om als "rubber stamps" te fungeren voor een gebrekkig wiskundig model.⁷ Het resultaat was wat experts het "Slow-Motion HAL"-effect noemen, waarbij een systeem methodisch de "levensondersteuning" van de verzekeringsdekking uitschakelt, ongeacht de menselijke uitkomst.¹⁷

Gevolgen in de echte wereld: de zaak-Clemens

De menselijke kosten van dit governancefalen worden geïllustreerd door de ervaring van patiënten zoals Carol Clemens. Na een ernstige episode van methemoglobinemie — een levensbedreigende bloedziekte — had Clemens intensieve gespecialiseerde verpleegkundige zorg nodig.⁸ Ondanks klinisch bewijs van haar aanhoudende revalidatiebehoefte werden de projecties van nH Predict gebruikt om haar dekking te beëindigen, waardoor haar familie meer dan $16,768 uit eigen zak moest betalen om voortijdig ontslag te voorkomen.⁸ De rechtszaak stelt dat UHC "banked" (rekende) op de aangetaste conditie en het gebrek aan middelen van patiënten zoals Clemens om te voorkomen dat zij deze ongegronde vaststellingen zouden aanvechten.¹⁶

De juridische waterscheiding: uitspraak van 13 februari 2025

De rechtszaak getiteld Estate of Gene B. Lokken v. UnitedHealth Group bereikte op 13 februari 2025 een kritiek keerpunt toen de Amerikaanse districtsrechter John R. Tunheim oordeelde dat de class action mocht doorgaan.¹ Deze uitspraak is een mijlpaal voor de AI-jurisprudentie, omdat zij het "preemption shield" doorboort dat veel Medicare Advantage Organizations (MAOs) historisch hebben gebruikt om claims naar staatsrecht te ontwijken.¹

Hoewel de rechtbank vorderingen wegens nalatigheid en schending van de staatsrechtelijke consumentenbescherming afwees — omdat deze werden gepreempted door de federale Medicare Act — liet zij vorderingen wegens contractbreuk en schending van de implied covenant of good faith and fair dealing doorgaan.¹ De redenering was diepgaand: de eigen beleidsdocumenten van UHC beloofden dat dekkingsbeslissingen zouden worden genomen door "klinisch servicepersoneel" en "artsen".⁷ Door deze mensen te vervangen door een AI-algoritme dat de uitkomst feitelijk dicteerde, heeft het bedrijf mogelijk zijn contractuele belofte aan polishouders geschonden.⁷

De vrijstelling van uitputting van rechtsmiddelen

In een significante zet zag de rechtbank af van de eis dat eisers hun administratieve rechtsmiddelen moeten uitputten voordat zij een rechtszaak aanspannen.¹ Normaal gesproken moeten Medicare-begunstigden meerdere beroepsinstanties doorlopen voordat zij rechterlijke toetsing zoeken. De rechtbank oordeelde echter dat, gegeven de "onherstelbare schade" (irreparable injury) waarmee patiënten werden geconfronteerd (zoals het uit zorginstellingen worden gezet) en de "vergeefsheid" (futility) van beroep op een systeem met een foutpercentage van 90%, de class rechtstreeks naar de rechter kon stappen.¹ Deze uitspraak schept een precedent dat als een AI-systeem fundamenteel kapot is, het rechtssysteem van slachtoffers niet zal eisen dat zij "deelnemen aan de schijnvertoning" van een gemanipuleerd beroepsproces.⁷

Deep AI versus LLM-wrappers: een strategische differentiatie

De nH Predict-crisis belicht het gevaar van "Thin AI" of "Wrapper-AI" — oplossingen die een oppervlakkige automatiseringslaag over een kernengine leggen zonder de onderliggende logica te begrijpen of te controleren op bias.⁴ Veriprajna positioneert zich als een "Deep AI"-aanbieder, specifiek om de kwetsbaarheden aan te pakken die inherent zijn aan deze gecommodificeerde modellen.⁵

De val van de wrapper-economie

Zoals opgemerkt door de Google India Accelerator en andere industrieanalisten, worden "wrapper"-bedrijven in gereguleerde sectoren in toenemende mate gezien als aansprakelijkheidsrisico’s.⁵ Deze bedrijven "wrappen" vaak een bestaande AI-engine (zoals GPT van OpenAI of Gemini van Google) in een maatwerkinterface.⁵

Risicocategorie	LLM-wrapperoplossingen	Deep-AI-oplossingen (Veriprajna)
Verdedigbaarheid	Gemakkelijk te repliceren; geen propriëtaire IP.4	Propriëtaire modellen en causale logica.5
Vendor lock-in	Kwetsbaar voor wijzigingen in third-party-API’s.4	Hybride architectuur; onafhankelijk van enkele vendors.5
Compliance	Black-box-logica; onmogelijk te auditen.4	Verklaarbare AI (XAI) en audittrails.22
Biasmitigatie	Erft bias van foundational models.4	Causale inferentie om proxyvariabelen te neutraliseren.25
Rekenschap	Aansprakelijkheid berust bij de deployer.4	Governance op boardniveau en risicokartering.28

Deep-AI-oplossingen vereisen een beweging voorbij probabilistische patroonherkenning naar causale AI.⁶ Terwijl een predictief model zou kunnen concluderen dat "patiënten met diagnose X meestal 14 dagen blijven," vraagt een causaal model: "welke factoren veroorzaken dat een patiënt meer tijd nodig heeft, en hoe veroorzaakt het intrekken van dekking een terugval?".²⁵ Deze overgang van "wat" naar "waarom" is de basis van betrouwbare intelligentie.⁶

De regelgevingshorizon: compliance in 2025 en 2026

De regelgevingsomgeving is agressief verschoven richting algoritmische rekenschap. Organisaties kunnen AI niet langer inzetten in high-stakes-omgevingen zonder te voldoen aan specifieke, rigoureuze standaarden van de FDA, WHO en NIST.³⁰

Het 7-stappenraamwerk voor credibiliteitsbeoordeling van de FDA

In januari 2025 vaardigde de FDA ontwerprichtlijnen uit (FDA-2024-D-4689) die een verplicht raamwerk vaststellen voor AI-modellen die worden gebruikt in medische en regelgevende besluitvorming.³³ Dit raamwerk is essentieel voor elke enterprise-grade AI-inzet.

1.​ Definieer de Question of Interest: articuleer duidelijk de exacte beslissing die de AI beoogt te adresseren.³⁴

2.​ Definieer de Context of Use (COU): specificeer de rol van het model, de datainputs en de workflow waarin het zich bevindt.³⁴

3.​ Beoordeel het modelrisico: evalueer "Model Influence" (hoeveel autoriteit de AI heeft) en "Decision Consequence" (de ernst van de schade als de AI het mis heeft).³⁴

4.​ Ontwikkel een Credibility Plan: schets validatiestrategieën, metrics en acceptatiecriteria.³⁴

5.​ Voer het plan uit: voer rigoureuze tests uit, inclusief stresstests voor edge cases.³⁴

6.​ Documenteer de resultaten: maak een "Credibility Report" dat eventuele afwijkingen van het plan belicht.³⁴

7.​ Bepaal de adequacy: finale validatie van de geschiktheid van het model voor zijn specifieke klinische doel.³⁴

Het nH Predict-systeem faalde in elke fase van dit raamwerk. Het miste een duidelijke COU, de risicobeoordeling negeerde de levensbedreigende gevolgen van geweigerde zorg, en de "validatie" was gericht op kostenbeheersing in plaats van klinische nauwkeurigheid.²

WHO-ethiek en de EU AI Act

De Wereldgezondheidsorganisatie (WHO) heeft specifiek "automation bias" geviseerd — de neiging van mensen om zich aan een algoritme over te geven, zelfs wanneer het hun eigen zintuigen tegenspreekt.³¹ De WHO-richtlijn van 2024 over Large Multimodal Models (LMM’s) waarschuwt dat AI kan leiden tot een "vaardigheidsdegradatie" onder artsen die stoppen met kritisch beoordelen.³¹

Tegelijkertijd begon de EU AI Act in 2025 met gefaseerde handhaving.¹ Onder deze verordening worden AI-systemen in de gezondheidszorg geclassificeerd als "hoog risico" (High-Risk), met verplichte conformiteitsbeoordelingen, transparantieopenbaarmakingen en menselijk toezicht.³⁷ De zware boetes bij non-compliance (tot 7% van de wereldwijde omzet) maken algoritmische governance tot een financiële noodzaak op boardniveau.³⁷

Vertrouwen ontwerpen: het mandaat voor verklaarbare AI (XAI)

Om een herhaling van de ineenstorting bij UnitedHealth te voorkomen, moeten Deep-AI-oplossingen "Explainable by Design" zijn.²² Verklaarbare AI (XAI) overbrugt de kloof tussen complexe wiskundige gewichten en voor mensen leesbare rationale.³⁹

Technische methoden: SHAP en LIME

In klinische beslissingsondersteuning zijn XAI-tools zoals SHAP (SHapley Additive exPlanations) en LIME (Local Interpretable Model-Agnostic Explanations) cruciaal.⁴¹

●​ SHAP biedt een globaal beeld van feature importance. In de context van verzekeringen kan het onthullen of een weigering voornamelijk werd gedreven door "Age" of "Zip Code" (vaak een proxy voor ras), zodat auditors discriminerende biases kunnen markeren.²⁴

●​ LIME biedt een lokale verklaring voor een enkele beslissing. Voor een patiënt zoals Carol Clemens zou LIME hebben belicht dat de AI haar "levensbedreigend lage bloedzuurstofwaarden" negeerde ten gunste van haar "gemiddelde diagnosegebaseerde hersteltijd".⁸

Door deze tools te integreren, zorgt Veriprajna ervoor dat clinici geen "passieve ontvangers" van AI-output zijn, maar partners die de logica kunnen beoordelen en valideren.⁴⁰

De implementatie van confidence scoring

Een kernkenmerk van Deep AI is confidence scoring — een metric die de menselijke gebruiker vertelt hoe betrouwbaar een bepaalde voorspelling is.²³ Als een patiënt zich presenteert met een zeldzame aandoening die slecht is vertegenwoordigd in de trainingsdata, moet de AI expliciet haar eigen onzekerheid markeren en de zaak routeren voor onmiddellijke menselijke review (Human-in-the-Loop Routing).²³

Algoritmische governance: een verantwoordelijkheid van C-suite en board

Het tijdperk waarin AI een "IT-project" was, is voorbij. In 2025 heeft 72% van de S&P 500-bedrijven materiële AI-risico’s bekendgemaakt in hun jaarlijkse SEC-filings.³⁷ Reputatierisico is nu de meest genoemde zorg, omdat één AI-falen viraal kan gaan en massale rechtszaken kan triggeren.²⁹

De rol van het AI Ethics and Compliance Committee

Om veerkracht op te bouwen, moeten organisaties cross-functionele AI-governancecomités instellen.²⁸ Deze comités moeten klinische leiders, juridisch counsel en vertegenwoordigers van patiëntveiligheid omvatten, met de bevoegdheid om:

●​ Goedkeuringscriteria te definiëren voor alle AI-use cases.⁴⁷

●​ Een centraal AI-register bij te houden dat elk model in de stack van de organisatie catalogiseert.²⁸

●​ Model Change Management af te dwingen met "Kill Switch"- of rollbackopties als de prestaties degraderen of "Drift" wordt gedetecteerd.³⁰

Het operationaliseren van het NIST AI Risk Management Framework (RMF)

Het NIST AI RMF 1.0 (uitgebracht in 2023 en geüpdatet in 2025) biedt de blauwdruk voor deze governance.³² Het is opgebouwd rond vier functies:

1.​ GOVERN: bouw een risicobewuste cultuur waarin leiderschap direct rekenschap draagt voor AI-uitkomsten.²⁸

2.​ MAP: catalogiseer waar AI interacteert met gevoelige data (PHI) en identificeer potentiële "harm scenario’s" zoals misdiagnose of bevooroordeelde triage.³²

3.​ MEASURE: volg continu KPI’s zoals sensitiviteit, false-negative rates en "Demographic Fairness".³²

4.​ MANAGE: implementeer controls, zoals het vereisen van menselijk toezicht bij high-risk-beslissingen en het regelmatig uitvoeren van "AI Incident Response Drills".³²

Conclusie: de Veriprajna-standaard voor Deep AI

De ineenstorting van het nH Predict-algoritme van UnitedHealth dient als een grimmige waarschuwing: wanneer algoritmen worden ingezet om te optimaliseren voor "theoretische efficiency" in plaats van "klinische uitkomsten in de echte wereld," zijn de menselijke kosten catastrofaal en is de juridische aansprakelijkheid absoluut.² De class action van februari 2025 is meer dan alleen een rechtszaak; het is de eerste grote afwijzing van het "black box"-tijdperk van zorgmanagement.

Als aanbieder van Deep-AI-oplossingen verwerpt Veriprajna de "wrapper"-aanpak. Echte enterprise-AI vereist:

●​ Causale validatie: begrijpen waarom een beslissing wordt genomen, niet alleen de waarschijnlijkheid van het optreden ervan.⁶

●​ Verklaarbare architectuur: clinici en auditors de "huiswerk" achter elke output bieden.³⁹

●​ Ethische governance: ervoor zorgen dat de "human-in-the-loop" bevoegd is om de machine te overrulen, niet gedisciplineerd wordt omdat hij dat doet.³⁵

●​ Regelgevingsalignment: proactief voldoen aan het 7-stappen-credibiliteitsraamwerk van de FDA en de transparantiemandaten van de EU AI Act.³⁰

De weg vooruit voor de onderneming ligt niet in meer automatisering, maar in Betere Intelligentie. Door van predictieve wrappers naar causale systemen met diepe governance te bewegen, kunnen organisaties de belofte van AI terugwinnen: menselijk oordeel versterken, de kwetsbaren beschermen en een gezondheidszorgsysteem bouwen dat even efficiënt is als compassievol..⁵

Geraadpleegde bronnen

1. Lawsuit over AI usage by Medicare Advantage plans allowed to ..., geraadpleegd op 6 februari 2026, https://www.dlapiper.com/insights/publications/ai-outlook/2025/lawsuit-over-ai-usage-by-medicare-advantage-plans-allowed-to-proceed

2. The Biggest AI Fails of 2025: Lessons from Billions in Losses - NineTwoThree Studio, geraadpleegd op 6 februari 2026, https://www.ninetwothree.co/blog/ai-fails

3. UnitedHealthcare accused of relying on AI algorithms to deny Medicare Advantage claims, geraadpleegd op 6 februari 2026, https://www.foxbusiness.com/markets/unitedhealthcare-accused-relying-ai-algorithms-deny-medicare-advantage-claims

4. Risks of AI Wrapper Products and Features - Kader Law, geraadpleegd op 6 februari 2026, https://www.kaderlaw.com/blog/risks-of-ai-wrapper-products-and-features

5. AI Wrapper Economy Risks Highlighted by Google India Accelerator - AI CERTs News, geraadpleegd op 6 februari 2026, https://www.aicerts.ai/news/ai-wrapper-economy-risks-highlighted-by-google-india-accelerator/

6. Integrating predictive modeling and causal inference for advancing medical science, geraadpleegd op 6 februari 2026, https://www.chikd.org/journal/view.php?id=10.3339/ckd.24.018

7. Lawsuit alleging UnitedHealthcare used faulty AI to deny coverage advances in federal court - Insurance News | InsuranceNewsNet, geraadpleegd op 6 februari 2026, https://insurancenewsnet.com/oarticle/lawsuit-alleging-unitedhealthcare-used-faulty-ai-to-deny-coverage-advances-in-federal-court

8. Minnesota judge: lawsuit over UnitedHealth use of AI can continue - The C.O.R.E. Group, geraadpleegd op 6 februari 2026, https://coregroupusa.com/minnesota-judge-lawsuit-over-unitedhealth-use-of-ai-can-continue/

9. nH Predict - Wikipedia, geraadpleegd op 6 februari 2026, https://en.wikipedia.org/wiki/NH_Predict

10. UnitedHealth faces lawsuit over AI, Medicare Advantage care denials, geraadpleegd op 6 februari 2026, https://www.beckerspayer.com/payer/unitedhealth-faces-lawsuit-over-medicare-advantage-care-denials/

11. STAT “Denied by AI” series a model of solid investigative journalism ..., geraadpleegd op 6 februari 2026, https://healthjournalism.org/blog/2024/10/stats-denied-by-ai-series-a-model-of-solid-investigative-journalism/

12. When Faulty AI Falls Into the Wrong Hands: The Risks of Erroneous ..., geraadpleegd op 6 februari 2026, https://ijoc.org/index.php/ijoc/article/download/23994/4992/90761

13. AI-driven insurance decisions raise concerns about human oversight | Stanford Report, geraadpleegd op 6 februari 2026, https://news.stanford.edu/stories/2026/01/ai-algorithms-health-insurance-care-risks-research

14. Senate report slams Medicare Advantage insurers for using predictive technology to deny claims | Healthcare Dive, geraadpleegd op 6 februari 2026, https://www.healthcaredive.com/news/medicare-advantage-AI-denials-cvs-humana-unitedhealthcare-senate-report/730383/

15. New AI tool counters health insurance denials decided by automated algorithms | US healthcare | The Guardian, geraadpleegd op 6 februari 2026, https://www.theguardian.com/us-news/2025/jan/25/health-insurers-ai

16. Lawsuit accuses UnitedHealth Group of using faulty AI to deny Medicare patient claims, geraadpleegd op 6 februari 2026, https://www.startribune.com/lawsuit-accuses-unitedhealth-group-of-using-faulty-ai-to-deny-medicare-patient-claims/600319883

17. UnitedHealthcare's AI Use to Deny Claims is Center of Industrywide Debate - HFS Research, geraadpleegd op 6 februari 2026, https://www.hfsresearch.com/news/unitedhealthcares-ai-use-to-deny-claims-is-center-of-industrywide-debate/

18. UnitedHealth Lawsuit: Can AI Deny Healthcare Services? - Haven Health Management, geraadpleegd op 6 februari 2026, https://havenhealthmgmt.org/unitedhealth-lawsuit-can-ai-deny-healthcare-services/

19. Estate of Gene B. Lokken et al. v. UnitedHealth Group, Inc. et al., geraadpleegd op 6 februari 2026, https://litigationtracker.law.georgetown.edu/litigation/estate-of-gene-b-lokken-the-et-al-v-unitedhealth-group-inc-et-al/

20. Judge Decides Class Action Can Proceed Against UnitedHealth for Use of AI, geraadpleegd op 6 februari 2026, https://www.legalhie.com/judge-decides-class-action-lawsuit-can-proceed-against-unitedhealth-for-use-of-ai/

21. Reviewing the 5 Major AI Risks (Part II of II) | The Volkov Law Group - JDSupra, geraadpleegd op 6 februari 2026, https://www.jdsupra.com/legalnews/reviewing-the-5-major-ai-risks-part-ii-8779464/

22. Explainable AI For Insurance - Meegle, geraadpleegd op 6 februari 2026, https://www.meegle.com/en_us/topics/explainable-ai/explainable-ai-for-insurance

23. Explainable AI (XAI) in Insurance: Benefits and Use Cases - A3Logics, geraadpleegd op 6 februari 2026, https://www.a3logics.com/blog/explainable-ai-in-insurance/

24. How AI Bias Is Impacting Healthcare - InformationWeek, geraadpleegd op 6 februari 2026, https://www.informationweek.com/machine-learning-ai/how-ai-bias-is-impacting-healthcare

25. Correlation vs. Causation: How Causal AI is Helping Determine Key Connections in Healthcare and Clinical Trials - DIA Global Forum, geraadpleegd op 6 februari 2026, https://globalforum.diaglobal.org/issue/october-2024/correlation-vs-causation-how-causal-ai-is-helping-determine-key-connections-in-healthcare-and-clinical-trials/

26. Who Benefits Most from Causal AI in Healthcare? - BeeKeeperAI, geraadpleegd op 6 februari 2026, https://www.beekeeperai.com/blog/107341-who-benefits-most-from-causal-ai-in-healthcare

27. AI governance and risk management for regulated industries - Torry Harris, geraadpleegd op 6 februari 2026, https://www.torryharris.com/insights/articles/ai-governance-risk-management-regulated-industries

28. AI governance: A guide to responsible AI for boards - Diligent, geraadpleegd op 6 februari 2026, https://www.diligent.com/resources/blog/ai-governance

29. Governing the Ungovernable: Corporate Boards Face AI Accountability Reckoning, geraadpleegd op 6 februari 2026, https://www.jdsupra.com/legalnews/governing-the-ungovernable-corporate-1075132/

30. FDA Guidance on AI-Enabled Devices: Transparency, Bias, & Lifecycle Oversight, geraadpleegd op 6 februari 2026, https://www.centerwatch.com/insights/fda-guidance-on-ai-enabled-devices-transparency-bias-lifecycle-oversight/

31. WHO Releases AI Ethics and Governance Guidance for Large Multimodal Models | Insight, geraadpleegd op 6 februari 2026, https://www.bakermckenzie.com/en/insight/publications/2024/01/who-releases-ai-ethics-and-governance-guidance

32. Understanding the NIST AI Risk Management Framework - databrackets, geraadpleegd op 6 februari 2026, https://databrackets.com/blog/understanding-the-nist-ai-risk-management-framework/

33. Artificial Intelligence for Drug Development | FDA, geraadpleegd op 6 februari 2026, https://www.fda.gov/about-fda/center-drug-evaluation-and-research-cder/artificial-intelligence-drug-development

34. FDA's AI Guidance: 7-Step Credibility Framework Explained | IntuitionLabs, geraadpleegd op 6 februari 2026, https://intuitionlabs.ai/articles/fda-ai-drug-development-guidance

35. The Ultimate AI Compliance Checklist for 2025 - NeuralTrust, geraadpleegd op 6 februari 2026, https://neuraltrust.ai/blog/ai-compliance-checklist-2025

36. Ethics and governance of artificial intelligence for health. Guidance on large multi-modal models, geraadpleegd op 6 februari 2026, https://iris.who.int/server/api/core/bitstreams/e9e62c65-6045-481e-bd04-20e206bc5039/content

37. AI Risk Disclosures in the S&P 500: Reputation, Cybersecurity, and Regulation, geraadpleegd op 6 februari 2026, https://corpgov.law.harvard.edu/2025/10/15/ai-risk-disclosures-in-the-sp-500-reputation-cybersecurity-and-regulation/

38. NIST AI Risk Management Framework: A simple guide to smarter AI governance - Diligent, geraadpleegd op 6 februari 2026, https://www.diligent.com/resources/blog/nist-ai-risk-management-framework

39. The Role of Explainable AI (XAI) in Building Trust in Healthcare - Nitor Infotech, geraadpleegd op 6 februari 2026, https://www.nitorinfotech.com/blog/the-role-of-explainable-ai-xai-in-building-trust-in-healthcare/

40. From Insights to Impact: Exploring Explainable AI's Contribution to Healthcare Decision-Making, geraadpleegd op 6 februari 2026, https://dr.lib.iastate.edu/bitstreams/f7b0f5bf-56a6-484e-9c51-9d8adc2a8884/download

41. Interpretable AI for bio-medical applications - PMC, geraadpleegd op 6 februari 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC10074303/

42. Fostering trust and interpretability: integrating explainable AI (XAI) with machine learning for enhanced disease prediction and decision transparency - PMC - NIH, geraadpleegd op 6 februari 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12465982/

43. A Comparative Analysis of LIME and SHAP Interpreters With Explainable ML-Based Diabetes Predictions - Diva-portal.org, geraadpleegd op 6 februari 2026, https://www.diva-portal.org/smash/get/diva2:1886442/FULLTEXT02.pdf

44. Explainable artificial intelligence - Wikipedia, geraadpleegd op 6 februari 2026, https://en.wikipedia.org/wiki/Explainable_artificial_intelligence

45. Responsible AI in Health Care: What Providers and AI Vendors Must ..., geraadpleegd op 6 februari 2026, https://www.bakerdonelson.com/responsible-ai-in-health-care-what-providers-and-ai-vendors-must-do-now

46. "From Disclosure to Defense: A Strategic AI Governance Blueprint" - Shumaker, Loop & Kendrick, LLP, geraadpleegd op 6 februari 2026, https://www.shumaker.com/insight/from-disclosure-to-defense-a-strategic-ai-governance-blueprint/

47. NIST Cybersecurity Framework for AI Risk in Healthcare | Censinet, Inc., geraadpleegd op 6 februari 2026, https://censinet.com/perspectives/nist-cybersecurity-framework-ai-risk-healthcare