AI Software op Maat voor Nijmegen: healthtech, semicon en onderzoek

Nijmegen heeft een economisch profiel dat afwijkt van de gemiddelde Nederlandse middelgrote stad: het is tegelijkertijd een medisch-wetenschappelijke hub, een halfgeleider-cluster en een gereedschapsmakerij voor neuro-onderzoek. Volgens Novio Tech Campus bundelt het ecosysteem meer dan 95 bedrijven in health, high tech en energy op een campus die voortgekomen is uit de Philips-Semiconductors-afsplitsing, inmiddels bekend als NXP. Het Radboudumc host meer dan 3.000 onderzoekers, verspreid over 18 onderzoekthema's, met een uitgesproken focus op personalized healthcare. En het Donders Institute is een van Europa's toonaangevende neurowetenschap-instituten met datasets die door honderden onderzoekers per dag worden aangesproken. Deze drie werelden — semicon, healthtech, neuro-onderzoek — delen een pijnpunt: versnipperde software-landschappen waarin PLM, LIMS, EHR, onderzoeksdata en productie-systemen elk in eigen silo leven.

AI software op maat voor Nijmegen betekent daarom bijna altijd: intelligente integratie-lagen bouwen die deze silo's aan elkaar weven, mét domein-specifieke logica. Een generieke iPaaS-oplossing lost het niet op — een FHIR-R4-koppeling tussen Radboudumc's Epic en een healthtech-startup vereist begrip van welke resources (Patient, Observation, Encounter, DocumentReference) relevant zijn voor welk klinisch proces. Een PLM-integratie tussen een Nijmeegse semicon-toeleverancier en een NXP-wafer-fab vereist kennis van hoe BOM-structuren, ECR/ECO-flows en traceability-data tussen Siemens Teamcenter, Arena en SAP S/4HANA moeten reizen. Dat domein-kwartje valt bij ons, en dat is wat we in Nijmegen dagelijks doen.

Use-case 1: FHIR/HL7-integratie voor healthtech-startups rond Radboudumc. Startups op Novio Tech Campus bouwen regelmatig point-of-care-apps, triage-tooling of patient-monitoring-dashboards die data moeten uitwisselen met het Radboudumc. Het ziekenhuis werkt met Epic als EHR en heeft via NICTIZ een gecertificeerd FHIR-platform. De praktijk is dat startups vastlopen op de authenticatie-laag (SMART-on-FHIR, OAuth2, launch-contexts), op het mappen van eigen data-modellen naar FHIR-resources (Observation voor vitale waarden, Condition voor diagnoses, MedicationStatement voor medicatie) en op HL7 v2-berichten die voor oudere integraties nog altijd de standaard zijn (ADT voor patient-admission, ORU voor lab-results, MDM voor medische documenten). Wij bouwen de AI-laag die bovenop deze koppeling draait: automatische herkenning van klinisch relevante afwijkingen in streaming-observations, NLP op ORU-berichten om ongestructureerde lab-commentaren te classificeren, en guarded auto-routing van ADT-events naar de juiste workflow in de startup-applicatie. Dit alles conform NEN 7510, NEN 7512 voor berichtenverkeer, en de Wet elektronische gegevensuitwisseling in de zorg (Wegiz) die per 1 juli 2023 gefaseerd in werking is getreden.

Use-case 2: PLM-integratie voor NXP-ecosysteem-toeleveranciers. De halfgeleider-industrie rond NXP in Nijmegen bestaat uit een constellation van toeleveranciers: design-houses, packaging-specialisten, test-equipment-makers, IP-licentiegevers en tooling-bedrijven. Volgens Holland High Tech is Nederland's semicon-exportwaarde bijna 20 miljard euro per jaar, en Nijmegen is na Eindhoven het tweede zwaartepunt. Toeleveranciers moeten technische specificaties, BOM-wijzigingen, kwaliteits-testdata en ECR/ECO-documenten uitwisselen met NXP's interne PLM-omgeving (typisch Siemens Teamcenter voor high-end CAD-integratie of Windchill voor mechanical+ECAD). De realiteit is dat de meeste toeleveranciers zelf werken in Arena PLM, Autodesk Fusion Manage, of in het ergste geval een lappendeken van Excel, SharePoint en e-mail. Wij bouwen custom AI-software die automatisch BOM-synchronisatie afhandelt tussen eigen PLM en klant-PLM, ECR-status doorgeeft, en NLP inzet op engineering-change-notes zodat een Nederlands-geschreven ECR automatisch gecategoriseerd, geroute'd en gekoppeld wordt aan de juiste onderdelen. Integratie-diepte typisch 4-10 weken afhankelijk van API-volwassenheid aan beide zijden.

Use-case 3: Medtech-datapipelines voor Novio Tech Campus-scale-ups. De medtech-bedrijven op Novio Tech Campus — veelal radiologie-AI, in-vitro-diagnostics, wearable-device-makers en klinische-beslissings-ondersteuning — staan voor een specifiek probleem zodra ze voorbij pilot-fase gaan: hun data-pipelines moeten opeens van lokale onderzoeks-laptop naar GxP-gereglementeerde productie-infrastructuur. Dat betekent DICOM-ingestie op schaal, reproduceerbare ML-training-runs met versie-controle op datasets en modellen, audit-trails conform IEC 62304 (medical device software lifecycle) en validatie-documentatie voor CE-MDR-certificering. Wij bouwen AI-software die deze transitie ondersteunt: een pipeline-platform dat DICOM-tags validateert bij ingestie, ML-training-runs captureert met dataset-hashes en hyperparameter-lineage, en automatisch een Technical File-aanzet genereert volgens IEC 62304 § 5.1-5.8. Voor bedrijven die richting een 510(k) of CE-MDR-submission werken scheelt dit maanden in documentatie-werk.

Use-case 4: Onderzoeks-datapipelines voor Donders-neuro en Radboud University. Het Donders Institute beheert MRI-scanners, MEG, EEG-labs en fNIRS-equipment waarop honderden onderzoekers werken. Data-volumes lopen in terabytes per week, met strenge eisen aan pseudonimisering (AVG), reproduceerbaarheid (FAIR-principes) en toegankelijkheid voor internationale samenwerkingen. Het platform Donders Repository implementeert al veel hiervan, maar groepen die eigen experimenten draaien hebben vaak behoefte aan custom-pipelines die BIDS-conforme conversie, automatische QA op brain-imaging-data, en koppelingen met externe analyse-omgevingen (MATLAB/SPM, FSL, FreeSurfer, MNE-Python) afhandelen. Wij bouwen AI-software die deze pipelines orchestreert, afwijkingen in scan-kwaliteit automatisch detecteert (motion-artefacten, coil-dropouts, SNR-afwijkingen) en researchers alert voordat een hele dataset is gescand. Voor een onderzoeksgroep met 15-20 projecten per jaar bespaart dit typisch 200-400 uur handmatige QA-tijd.

Waarom Nijmegen-software andere eisen stelt dan gemiddelde NL-IT. Het verschil zit in compliance-diepte en domein-semantiek. Een gemiddelde MKB-integratie koppelt Exact aan Teamleader — dat vereist kennis van accountancy en CRM maar geen regulated-environment-discipline. Nijmeegse integraties raken vrijwel altijd een gereguleerd domein: medische hulpmiddelen (MDR, IVDR), informatiebeveiliging in de zorg (NEN 7510, NEN 7512, NEN 7513), medical device software (IEC 62304), quality management (ISO 13485), of export-controle voor semicon-IP (Wassenaar Arrangement via de Wet strategische diensten). Dit betekent dat code-kwaliteit, traceability en documentatie vanaf dag 1 op audit-niveau moeten staan, niet pas bij de go-live.

Tech-stack voor Nijmeegse integraties. Voor FHIR/HL7-koppelingen gebruiken we HAPI FHIR (Java) of Firely (.NET), afhankelijk van de bestaande stack bij de klant. Voor HL7 v2 werken we met Mirth Connect of een custom Python-pipeline op basis van hl7apy. Voor PLM-integraties bouwen we veelal op Teamcenter's SOA-services (via TCIL of via REST-wrappers) en Arena's REST API. Voor medtech-datapipelines gebruiken we DICOM-toolkits (pydicom, dcm4che), MLOps-frameworks (MLflow voor lineage, DVC voor dataset-versionering, Kubeflow voor orchestratie) en audit-trail-laag in PostgreSQL met append-only constraints. Voor onderzoeksdata werken we in Python-ecosysteem met Dask voor grote datasets, BIDS-toolkit voor neuro-imaging en custom connectors naar Donders Repository. Alle hosting EU-only (AWS Frankfurt, Azure West Europe of on-premise Nijmegen).

Indicatieve investering. Voor een FHIR-integratie-laag met authenticatie, 3-5 resource-mappings en AI-verrijking bovenop: eenmalig 18.000-45.000 euro implementatie plus 1.800-3.500 euro per maand voor hosting, updates en compliance-onderhoud. Voor een PLM-integratie tussen toeleverancier en wafer-fab met BOM-sync en ECR-flow: 25.000-60.000 eenmalig plus 2.500-5.000 euro per maand. Voor een medtech-datapipeline met GxP-niveau documentatie en IEC 62304-traceability: 35.000-85.000 euro eenmalig plus 3.000-6.500 euro per maand afhankelijk van data-volume en regulatory-path. Voor onderzoeks-datapipelines richting Donders of Radboud: 15.000-40.000 eenmalig plus 1.500-3.000 euro per maand.

Implementatie-traject. Fase 1 (weken 1-2): domein-workshop en integratie-assessment (welke systemen, welke data-modellen, welke regulatory-context). Fase 2 (weken 3-6): prototype op één koppelpunt inclusief security- en audit-laag. Fase 3 (weken 7-12): uitbouw naar alle resource-types of BOM-categorieen, inclusief monitoring en alerting. Fase 4 (weken 13-16): validatie-documentatie (IQ/OQ/PQ voor GxP, Technical File-aanzet voor MDR, NEN 7510-audit-prep voor zorg) en soft-launch. Fase 5 (vanaf week 16): productie-uitrol en continue tuning op basis van operationele feedback. Eerste zes maanden: maandelijkse review van auditlog-afwijkingen en FHIR/PLM-schema-updates.

Waarom een prototype-first-aanpak in deze context werkt. In regulated-environments is de verleiding groot om eerst alle quality-management-procesdocumenten schrijven en pas dan te bouwen. Wij doen het omgekeerd: eerst een werkend prototype op een smal koppelpunt, dan de documentatie daar omheen optrekken. Voor een FHIR-integratie betekent dit bijvoorbeeld dat we in week 4 een end-to-end flow hebben waarin een Patient-resource wordt opgehaald, een Observation wordt aangemaakt en de audit-trail correct wordt weggeschreven — inclusief SMART-on-FHIR-authenticatie. Pas dan beginnen we aan de risk-analyse en design-controls. Dit pakt veel beter uit voor MDR-audits dan een dossier-eerst-benadering, omdat auditors (notified bodies zoals DEKRA, BSI Group, TUV SUD) bij voorkeur tastbare werkende software zien met bijbehorende documentatie, niet alleen een stapel procesbeschrijvingen. Voor semicon-klanten is de logica vergelijkbaar: een werkende BOM-sync op tien onderdelen leert je meer over edge-cases (revision-conflicts, effectivity-date-overlap, ECO-phase-mismatches) dan een spreadsheet-vol requirements.

Data-soevereiniteit en on-premise opties voor Nijmeegse klanten. Een deel van de klanten in Nijmegen — met name petrochemie-achtige semicon-fabricage, ziekenhuis-gerelateerde onderzoeksgroepen en medtech met contracten van grote ziekenhuisketens — kan of mag geen cloud-hosting gebruiken. Voor deze klanten deployen wij on-premise in klant-datacenter (Nijmegen, Arnhem of elders in Gelderland), met Docker- of Kubernetes-gebaseerde stacks die ook offline kunnen draaien. Updates gaan via een controlled-release-proces waarbij de klant zelf beslist welke versie wanneer in productie komt. Voor semicon-klanten met export-controle-eisen implementeren wij technische maatregelen die voorkomen dat IP-data onbedoeld naar niet-geautoriseerde jurisdicties reist: geofenced storage, IP-allowlisting op API-gateways en gelogde data-export-events die maandelijks worden gereviewed. Volgens de Rijksdienst voor Ondernemend Nederland is strenge controle op dual-use goederen en technologie een harde verplichting voor Nederlandse semicon-exporteurs, en de software-laag is daarin een primaire exposure-vector.

Testing en validatie in een regulated context. Wij hanteren een gelaagde test-strategie: unit-tests met minstens 80 procent line-coverage, integratie-tests die FHIR- of PLM-koppelingen end-to-end valideren tegen staging-omgevingen, user-acceptance-tests met klinisch of engineering personeel als reviewers, en voor medtech-software aanvullend een verificatie- en validatie-pakket conform IEC 62304 § 5.6 en § 5.7. Voor AI/ML-componenten doen wij reproduceerbaarheids-tests (dezelfde input + modelversie levert dezelfde output op), drift-detectie op production-data (alert bij >3 procent distributieverschuiving op input-features) en explainability-rapportage zodat zorgverleners of engineers begrijpen waarom het model een specifieke uitkomst geeft. Voor FDA-submissions volgen wij tevens de Good Machine Learning Practice-principes die door FDA, Health Canada en MHRA in 2021 zijn gepubliceerd.

Zie voor naastgelegen diensten ook AI agents Nijmegen voor autonome workflow-automatisering, AI solutions Nijmegen voor bredere data-oplossingen, en de hoofdpagina AI software voor dienst-specificaties. Parent-pagina voor deze regio is /regio/nijmegen met volledig overzicht van Nijmeegse branche-focus en ecosysteem-context.

Opgesteld met AI-tools en gecontroleerd door het redactieteam van CleverTech — tech-leads met ervaring in AI, procesautomatisering en IT-consulting.