Onderzoekers van Amsterdam UMC hebben een algoritme ontwikkeld dat huisartsen ondersteunt bij het vroegtijdig opsporen van longkanker. Dankzij de inzet van kunstmatige intelligentie (AI) is het mogelijk om patiënten met een verhoogd risico tot vier maanden eerder te identificeren dan met de huidige werkwijze. Daarmee zetten zij een belangrijke stap op weg naar datagedreven, gepersonaliseerde eerstelijnszorg.
Het Britse AI-model onderscheidt zich van andere modellen die doorgaans alleen kijken naar gecodeerde variabelen zoals ‘roken’ of ‘hemoptoë’ (bloed ophoesten). Het nieuw ontwikkelde AI-model kan, naast gestructureerde gegevens, ook vrije tekst in elektronische patiëntendossiers analyseren. Zo is het algoritme in staat om patronen te herkennen in open tekstvelden. Deze bevatten vaak waardevolle, maar ongestructureerde informatie die voorheen niet automatisch werd benut. “In de medische voorgeschiedenis detecteert het algoritme subtiele signalen die wijzen op een verhoogd risico op longkanker,” legt prof. dr. Martijn Schut, hoogleraar Translationele Artificiële Intelligentie aan Amsterdam UMC, uit.
Slimme algoritmes in eerstelijnszorg
Door slimme algoritmes in te zetten in het consult van de huisarts, ontstaat ruimte voor snellere diagnose, tijdige behandeling en mogelijk betere uitkomsten voor duizenden patiënten met longkanker – en in de toekomst wellicht ook andere vormen van kanker.
Volgens prof. dr. Ameen Abu Hanna, hoogleraar Klinische Informatiekunde en medeonderzoeker, is dit een belangrijke stap vooruit: “We tonen aan dat in vrije tekst gegevens verborgen liggen die, met behulp van AI, bijdragen aan veel eerdere opsporing van kanker.” De bevindingen van het onderzoek zijn onlangs gepubliceerd in het British Journal of General Practice.
Het belang van een vroege diagnose
De klinische impact van het algoritme is potentieel groot. Van de patiënten met longkanker werd bijna twee derde (62%) tot vier maanden eerder doorverwezen dan in de reguliere zorgpraktijk. Een relevante tijdswinst, aangezien de meeste diagnoses nu nog plaatsvinden in stadium 3 of 4 van de ziekte – stadia waarin de prognose vaak slecht is en de behandelmogelijkheden beperkt zijn en vier op de vijf (80%) van de patiënten meestal binnen één jaar na de diagnose komt te overlijden. "Een eerdere start van de behandeling – zelfs van slechts vier weken – kan al een merkbaar effect hebben op de overleving. Een winst van vier maanden is dan ook bijzonder veelbelovend", aldus Henk van Weert, emeritus hoogleraar Huisartsgeneeskunde.
Er wordt wereldwijd veel onderzoek gedaan naar de meerwaarde en winst die AI-technologie kan opleveren voor de medische diagnostiek. Zo hebben Britse onderzoekers, in samenwerking met het Nederlandse Research Institute for Diagnostic Accuracy, onlangs de effectiviteit onderzocht van een Koreaanse AI-tool voor het analyseren van longscans op longkanker. Deze tool identificeerde succesvol scans zonder significante longknobbels, waardoor radiologen hun aandacht konden richten op gevallen die verder geanalyseerd moesten worden. Een belangrijke bevinding was dat alle bevestigde gevallen van longkanker deel uitmaakten van de scans die door de AI werden gemarkeerd voor verder onderzoek, wat suggereert dat er geen diagnoses werden gemist.
Effectief en praktisch inzetbaar
Het Britse AI-algoritme werd getest op gegevens van meer dan 525.000 patiënten uit vier academische huisartsennetwerken in Amsterdam, Utrecht en Groningen. Van deze groep kregen 2.386 patiënten een diagnose longkanker, gevalideerd via de Nederlandse Kankerregistratie.
Opvallend is dat het algoritme niet alleen effectief is, maar ook praktisch inzetbaar. De risicobeoordeling kan plaatsvinden tijdens het reguliere consult, zonder extra belasting voor huisarts of patiënt. Van elke 34 geïdentificeerde patiënten blijkt er gemiddeld één daadwerkelijk longkanker te hebben. Dat is een aanzienlijk gunstiger ratio dan bij reguliere bevolkingsscreening.
Vervolgonderzoek
Hoewel het huidige model specifiek is ontwikkeld voor longkanker, zien de onderzoekers mogelijkheden om deze aanpak ook toe te passen op andere moeilijk detecteerbare kankersoorten zoals alvleesklier-, maag- en eierstokkanker. Daar is vroegtijdige herkenning vaak nog uitdagender, met grote gevolgen voor de prognose. Voor daadwerkelijke implementatie is vervolgonderzoek nodig. Validatie in andere zorgsystemen en landen is essentieel om de robuustheid en generaliseerbaarheid van het model te garanderen.
Vorig jaar ontwikkelden onderzoekers van het Leids Universitair Medisch Centrum (LUMC) een AI-model waarmee het risico op terugkeer van baarmoederkanker nauwkeuriger en kosteneffectiever kan worden voorspeld, in vergelijking tot bestaande methoden hiervoor. Die uitkomsten kunnen worden gebruikt voor het verbeteren, en personaliseren van behandelplannen. Het AI-model van het LUMC, HECTOR, analyseerde microscopische beelden van tumoren en gegevens uit eerdere klinische studies. Hoewel aanvullend onderzoek nodig is, zagen de onderzoekers HECTOR vorig jaar al als een belangrijke stap in de technologische revolutie binnen de oncologie, met potentieel voor verbeterde patiëntenzorg en overlevingskansen.
