AI-gebaseerde prioritering van thoraxfoto’s in het longkankerdiagnostische traject: de gerandomiseerde gecontroleerde proef LungIMPACT

Waarom deze studie ertoe doet voor patiënten

Longkanker is een van de dodelijkste kankersoorten, deels omdat het vaak laat wordt ontdekt. Velen hopen dat kunstmatige intelligentie snel zorgwekkende thoraxfoto’s kan signaleren, zodat mensen eerder de benodigde scans en behandeling krijgen. Deze grote proef onderzocht of het gebruik van AI om verdachte röntgenfoto’s in de Britse National Health Service naar voren in de wachtrij te schuiven daadwerkelijk de tijden tot diagnose verkort. Het antwoord biedt een belangrijke realiteitscheck voor hoe AI in de dagelijkse zorg moet worden ingezet.

Hoe longkanker gewoonlijk wordt gevonden

Voor veel mensen is de eerste stap naar een longkankerdiagnose een thoraxfoto die de huisarts aanvraagt. Als de foto afwijkend lijkt of een patiënt een hoog risico heeft, hoort die vervolgens een meer gedetailleerde scan te krijgen, een CT-scan, en snel door specialisten te worden gezien. Nationale richtlijnen in Engeland raden aan dat een CT-scan idealiter binnen drie dagen na een verdachte thoraxfoto plaatsvindt, maar drukte op scanners en personeel veroorzaakt vaak vertragingen. Deze wachttijden kunnen de uitkomst verslechteren en veel onzekerheid en angst veroorzaken bij patiënten die op hun uitslagen wachten.

Wat het AI-systeem zou doen

De onderzoekers testten een AI-programma dat thoraxfoto’s beoordeelt zodra ze worden gemaakt. Op bepaalde dagen, als de AI dacht dat een foto mogelijk afwijkend was, werd die casus naar de top van de radiologiewerklijst gepusht voor snelle beoordeling door een mens. Op andere dagen waren de AI-markeringen nog steeds zichtbaar voor het personeel, maar werd er geen speciale prioritering toegepast. Meer dan 93.000 röntgenfoto’s van bijna 87.000 volwassenen uit vijf NHS-ziehuisgroepen werden meegenomen. De belangrijkste vragen waren of AI-prioritering de tijd tot CT-scans en tot bevestigde longkankerdiagnoses verkortte in vergelijking met de gebruikelijke praktijk.

Wat de proef daadwerkelijk bevond

Ondanks de omvang van de studie versnelde AI-prioritering de cruciale stappen in het longkankertraject niet. Van de meer dan 13.000 mensen die uiteindelijk een CT-scan ondergingen, was de gebruikelijke wachttijd van foto naar CT 53 dagen, ongeacht of AI-prioritering werd gebruikt. Van de 558 mensen bij wie longkanker werd vastgesteld, was de mediane tijd van foto tot diagnose in beide groepen ongeveer anderhalve maand. Er waren ook geen noemenswaardige verschillen in hoe snel mensen urgent werden verwezen, wanneer de behandeling begon of in welk stadium de longkankers werden gevonden. De AI versnelde wel de tijd van foto naar schriftelijk rapport, maar die verkorting was niet groot genoeg om het vervolg voor patiënten te veranderen.

Wat AI goed en fout deed

Het team onderzocht nauwkeurig gevallen waarin AI en menselijke lezers van mening verschilden. Zulke mismatches kwamen bij ongeveer één op de drie röntgenfoto’s voor. Expertbeoordelaars oordeelden dat in bijna een kwart van deze discordante gevallen belangrijke bevindingen aanwezig waren die actie vereisten, waaronder veel latere kankerdiagnoses. Over het geheel genomen detecteerde de AI de meeste kankers in categorieën zoals duidelijke schaduwen, maar produceerde het ook een aanzienlijk aantal vals-positieven en miste het een klein deel van de kankers, vooral subtiele noduli. Deze extra controles kunnen extra werk opleveren voor druk personeel en het risico vergroten op waarschuwingsmoeheid, waarbij frequente waarschuwingen mensen na verloop van tijd minder responsief maken.

Wat dit betekent voor de toekomst van AI in klinieken

De hoofdboodschap van deze proef is dat het enkel gebruiken van AI om röntgenfoto’s in de rapportagewachtrij te herschikken op zichzelf de diagnose van longkanker in een bestaand zorgtraject niet versnelt. Elk voordeel van snellere computerlezingen werd beperkt door knelpunten uit de praktijk, zoals de beschikbaarheid van scanners en de capaciteit van poliklinieken. De auteurs concluderen dat AI-tools voor thoraxfoto’s niet louter voor werklist-prioritering moeten worden uitgerold in deze setting. In plaats daarvan moeten toekomstige inspanningen onderzoeken hoe AI kan worden gecombineerd met bredere veranderingen in het traject, zoals besluiten op dezelfde dag en gebundelde testen, en hoe AI het beste ondersteuning kan bieden zonder zorgvuldig menselijk oordeel te vervangen.

Bronvermelding: Woznitza, N., Smith, L., Rawlinson, J. et al. AI-based chest X-ray prioritization in the lung cancer diagnostic pathway: the LungIMPACT randomized controlled trial. Nat Med 32, 1737–1744 (2026). https://doi.org/10.1038/s41591-026-04253-5

Trefwoorden: longkanker, thoraxfoto, medische AI, diagnostische paden, klinische proeven