Het Nederlandse (ggz-)zorgsysteem staat onder druk. Er is een hoge werkdruk onder zorgprofessionals, patiënten moeten vaak lang wachten voordat ze kunnen starten met een behandeling¹ en naar verwachting zal de bestaande kloof tussen de zorgvraag en het zorgaanbod alleen maar groter worden. Om in de toekomst verzekerd te zijn van goede en toegankelijke zorg zullen we het tij moeten keren, en dat lukt niet door alleen meer belasting of zorgpremies te gaan heffen; dat vraagt om slimmere en effectievere beslissingen in de zorg, zodat we de nu al schaarse middelen kunnen inzetten voor de behandeling van de patiënten die daar het meest bij gebaat zijn. Daarbij kun je denken aan de keuzes die worden gemaakt aan het begin van een behandeling, bijvoorbeeld welke therapeutische interventies er zullen worden ingezet, of aan keuzes die tijdens de therapie gemaakt moeten worden, bijvoorbeeld over het op- of afschalen van de behandeling. Het zijn voorbeelden van beslissingen waarin Machine Learning (ML) een belangrijke rol kan spelen. ML is een vorm van kunstmatige intelligentie (AI) waarbij computersystemen leren van bestaande data (m.b.v. data-analyse), waardoor betere voorspellingen kunnen worden gedaan voor de (nabije) toekomst. De technieken van Machine Learning maken gebruik van patronen uit het verleden om toekomstige elementen of gebeurtenissen te voorspellen.² ML is daarbij de verzameling van technieken waarmee we dergelijke voorspellingen kunnen doen, en in de (geestelijke) gezondheidszorg kan dit bijdragen aan het nemen van meer ‘evidencebased’ beslissingen; keuzes die niet worden gemaakt vanuit de onderbuik van de zorgverlener, of