TrialMatchAI: een end-to-end door AI aangedreven systeem voor aanbeveling van klinische proeven om patiënt-naar-proef matching te stroomlijnen

Waarom het matchen van patiënten aan proeven belangrijk is

Voor veel mensen met ernstige aandoeningen, met name kanker, kunnen klinische proeven toegang bieden tot nieuwe behandelingen zodra standaardopties zijn uitgeput. Toch is het vinden van de juiste proef voor de juiste patiënt verrassend moeilijk en tijdrovend. Dit artikel beschrijft TrialMatchAI, een kunstmatig intelligentiesysteem dat artsen helpt snel te zien welke proeven het beste bij een patiënt passen, terwijl het de privacy bewaart en de beslissingen begrijpelijk houdt.

Een digitale gids door een doolhof van proeven

Elke klinische proef heeft pagina's met regels die aangeven wie kan deelnemen en wie niet. Tegelijk heeft elke patiënt een uitgebreide medische geschiedenis die zich uitstrekt over laboratoriumuitslagen, genetische tests, scanrapporten en doktersnotities. Traditioneel moeten medewerkers beide kanten handmatig doorlezen en beslissen of er sprake is van een match, een proces dat per patiënt uren kan duren en gemakkelijk kansen mist. TrialMatchAI pakt dit aan door zowel patiëntendossiers als proefdocumenten te lezen en vervolgens een korte, gerangschikte lijst te produceren van proeven die geschikt lijken voor een bepaalde persoon.

Hoe de AI medische dossiers en proeven leest

TrialMatchAI werkt stap voor stap. Eerst neemt het patiëntinformatie op, inclusief basale gegevens, medische voorgeschiedenis, laboratoriummetingen en moleculaire tests, in een standaard gegevensformaat dat ziekenhuizen kunnen exporteren. Het verwerkt ook proefbeschrijvingen uit openbare registers en splitst lange geschiktheidssecties op in afzonderlijke regels. Met behulp van gespecialiseerde taalmodellen die zijn getraind op medische tekst, identificeert het systeem sleutelitems zoals ziekten, medicijnen, genen en mutaties en brengt deze in kaart naar gedeelde medische woordenboeken. Dat maakt het eenvoudiger om te vergelijken wat op verschillende manieren is opgeschreven tussen ziekenhuizen en proefregisters.

Het vinden en rangschikken van veelbelovende opties

Zodra de informatie is gestructureerd, doorzoekt TrialMatchAI een grote verzameling proeven met twee benaderingen tegelijk: een klassieke trefwoordzoekopdracht en een similariteitszoekopdracht die naar de algemene betekenis kijkt. Deze combinatie selecteert een paar honderd mogelijk relevante proeven uit tienduizenden. Een tweede taalmodel onderzoekt vervolgens elke proef regel voor regel opnieuw en beoordeelt hoe goed elke voorwaarde bij de patiënt past. Ten slotte doorloopt een redeneermodel de kleine lettertjes van de regels, markeert ze als voldaan, niet voldaan, onduidelijk of niet relevant, en legt uit waarom. Deze scores worden gecombineerd tot één getal per proef, dat wordt gebruikt om de uiteindelijke aanbevelingslijst te sorteren.

Hoe goed het systeem presteert in tests

De onderzoekers testten TrialMatchAI op meerdere fronten. Met synthetische patiëntgevallen uit twee bekende openbare uitdagingen haalde het systeem meer dan 90 procent van de relevante proeven naar boven terwijl het slechts ongeveer 3 procent van de volledige proefset bekeek, en het neigde ertoe de beste proeven hoog in de lijst te plaatsen. In een aangepaste set van honderd “ideale” patiënten, wier gegevens zo waren samengesteld dat ze perfect aansloten op specifieke kankerproeven, stond de correcte proef bij 95 procent van de patiënten in de top twee suggesties. In een praktijkproef met 52 mensen met uitgezaaide kanker uit een Nederlands ziekenhuis, had 92 procent ten minste één geschikte biomarker-gestuurde proef onder de top 20 aanbevelingen. Experts die meer dan duizend individuele proefregels controleerden vonden dat de regel-voor-regel beslissingen van de AI in meer dan 90 procent van de gevallen accuraat waren.

Waarom openheid, privacy en grenzen ertoe doen

In tegenstelling tot veel AI-tools die afhankelijk zijn van gesloten, commerciële taalmodellen, gebruikt TrialMatchAI open-source modellen die volledig binnen een ziekenhuisnetwerk kunnen draaien. Dit ontwerp helpt bij privacywetgeving en stelt onderzoekers in staat individuele onderdelen van het systeem te inspecteren, bij te werken of te vervangen naarmate er nieuwe methoden verschijnen. De auteurs benadrukken dat het hulpmiddel bedoeld is ter ondersteuning van, en niet ter vervanging van, medische oordeelsvorming, en dat het nog steeds zeldzame fouten kan maken of verklaringen kan geven die niet volledig overeenkomen met de gegevens. Ze schetsen vervolgstappen zoals betere foutcontroles, manieren om de modellen te versnellen en uitbreidingen die kunnen helpen patiënten te vinden voor specifieke proeven.

Wat dit betekent voor patiënten en artsen

Kort gezegd toont de studie aan dat een AI-assistent betrouwbaar door enorme aantallen klinische proeven en patiëntgegevens kan zoeken om de meest veelbelovende opties te benadrukken, vooral in de oncologie. TrialMatchAI doet dit terwijl het gegevens lokaal houdt, duidelijke regel-voor-regel rechtvaardigingen biedt en modellen gebruikt die de onderzoeksgemeenschap openlijk kan bestuderen en verfijnen. Als dergelijke systemen verder worden aangenomen en gevalideerd in de dagelijkse praktijk, zouden ze het pad van diagnose naar deelname aan proeven kunnen verkorten en meer patiënten tijdig toegang kunnen geven tot studies die passen bij hun medische en moleculaire profiel.

Bronvermelding: Abdallah, M., Nakken, S., Georges, M. et al. TrialMatchAI: an end-to-end AI-powered clinical trial recommendation system to streamline patient-to-trial matching. Nat Commun 17, 4472 (2026). https://doi.org/10.1038/s41467-026-70509-w

Trefwoorden: matching van klinische proeven, precisie-oncologie, grote taalmodellen, patiëntenwerving, medische AI