Mens-AI samenwerking om de nauwkeurigheid en efficiëntie van voorselectie op geschiktheid voor oncologietrajecten te verbeteren: een gerandomiseerde evaluatietrial met retrospectieve elektronische patiëntendossiers

Waarom het vinden van de juiste patiënten ertoe doet

Voor veel mensen met kanker kan deelname aan een klinische trial de deur openen naar geavanceerde behandelingen en betere uitkomsten. Toch schrijft slechts een klein deel van de volwassenen met kanker zich ooit in. Een belangrijk knelpunt doet zich voor lang voordat een patiënt een toestemmingsformulier ondertekent: medewerkers moeten lange, rommelige medische dossiers doorzoeken om te bepalen wie überhaupt in aanmerking komt. Deze studie onderzoekt of het samenbrengen van menselijke experts en een kunstmatig-intelligentiesysteem die vroege screening nauwkeuriger kan maken — zonder het proces te vertragen.

Hoe trialscreening nu werkt

Voordat iemand aan een oncologietrial kan deelnemen, moeten medewerkers van klinisch onderzoek bepalen of de patiënt voldoet aan tientallen gedetailleerde toelatingsregels, zoals kankertype, stadium, testuitslagen en dagelijkse functionele status. Veel van deze informatie zit verborgen in ongestructureerde aantekeningen — radiologierapporten, poliklinische consulten, laboratoriumoverzichten — die vaak herhalend, onvolledig of tegenstrijdig zijn. Handmatig door deze documenten zoeken is traag en vermoeiend, en zelfs ervaren medewerkers kunnen belangrijke details missen. Als gevolg daarvan worden sommige geschikte patiënten nooit geïdentificeerd en gaan potentiële levensverlengende opties verloren.

Wat de onderzoekers testten

Om te kijken of AI kon helpen, gebruikte het team elektronische dossiers van 355 mensen met long- of colorectale kanker die in een eerstelijnspraktijk waren behandeld. Ze concentreerden zich op 12 veelvoorkomende trialcriteria, waaronder tumord stadium, specifieke biomarkers, reactie op eerdere behandelingen en basisgezondheidstoestand. Een gespecialiseerd "neurosymbolisch" taalsysteem zette gescande dossiers eerst om naar tekst en identificeerde vervolgens gestructureerde feiten zoals testresultaten en stadiëringsgegevens. Twee getrainde onderzoekscoördinatoren beoordeelden elk dossier daarna twee keer — eenmaal met AI-voorstellen op het scherm (de Mens+AI-benadering) en eenmaal zonder die suggesties (de Mens-alleen-benadering), in willekeurige volgorde. Een aparte groep clinici had al een "gouden standaard" antwoordensleutel voor elk dossier opgesteld om de nauwkeurigheid te beoordelen.

Hoe goed het Mens–AI-team presteerde

Wanneer mensen en AI samenwerkten, kwamen ze de gouden-standaardantwoorden vaker overeen dan mensen die alleen werkten. In het algemeen kregen het Mens+AI-team ongeveer drie van de vier details goed, vergeleken met iets meer dan zeven van de tien voor menselijke beoordelaars alleen, en veel beter dan het AI-systeem op zichzelf. De grootste winst was in lastige gebieden zoals biomarkertests en -resultaten, de precieze stadiëring van de tumor en hoe een patiënt had gereageerd op eerdere behandelingen. In deze categorieën hielp de kracht van de AI om grote hoeveelheden tekst te doorzoeken de coördinatoren om informatie te vinden die ze anders mogelijk hadden gemist, terwijl de mensen AI-fouten corrigeerden en onzekere gevallen interpreteerden.

Snelheid, afwegingen en menselijke vooringenomenheid

Verrassend genoeg maakte het toevoegen van AI het proces niet sneller. Beide benaderingen kostten gemiddeld iets meer dan een half uur per dossier. De auteurs suggereren dat de AI, in plaats van tijd te besparen, het werk van de coördinatoren verschuift: in plaats van zelf naar elk detail te zoeken, besteedden ze meer moeite aan het controleren en interpreteren van AI-voorgestelde vermeldingen. Dit kan juist een gezonde waarborg zijn, doordat het risico wordt verminderd dat mensen simpelweg de antwoorden van de machine zonder meer accepteren. De studie onderzocht ook waar samenwerking fout kan gaan. Bij één maat voor patiëntfunctioneren was de AI onbetrouwbaar, en menselijke beoordelaars die te veel op de output vertrouwden, presteerden iets slechter — een teken van "automatiseringsbias." In andere domeinen leken mensen accurate AI-signalen te weinig te gebruiken, wat wijst op "bevestigingsbias," waarbij mensen de voorkeur geven aan informatie die past bij hun eerste indrukken.

Wat dit betekent voor toekomstige kankerzorg

Kort gezegd toont deze trial aan dat een goed ontworpen partnerschap tussen mensen en AI de vroege trialscreening iets nauwkeuriger kan maken zonder het proces te vertragen. De verbeteringen zijn bescheiden, maar concentreren zich juist op de complexe details — zoals biomarkerstatus en precieze stadiëring — die vaak bepalen of een patiënt kan deelnemen aan een studie. Als dergelijke systemen verder verfijnd en getest worden in de werkstromen van echte klinieken, zouden ze kunnen helpen om meer geschikte patiënten te vinden, de toegang tot geavanceerde oncologietrials te verbreden en dat te doen terwijl mensen de uiteindelijke beslissingen blijven nemen.

Bronvermelding: Parikh, R.B., Kolla, L., Beothy, E.A. et al. Human-AI teaming to improve accuracy and efficiency of eligibility criteria prescreening for oncology trials: a randomized evaluation trial using retrospective electronic health records. Nat Commun 17, 2306 (2026). https://doi.org/10.1038/s41467-026-68873-8

Trefwoorden: klinische oncologietrajecten, elektronische patiëntendossiers, kunstmatige intelligentie, patiëntgeschiktheid, mens-AI samenwerking