Een uniform kader voor pre-screening- en selectietools in oncologische klinische proeven

Waarom het vinden van de juiste kankertrial ertoe doet

Klinische onderzoeken naar kanker zijn de plek waar de behandelingen van morgen vandaag worden getest, maar slechts een klein deel van de in aanmerking komende patiënten stroomt daadwerkelijk in deze studies door. Dit artikel legt uit waarom het zo moeilijk is om patiënten aan de juiste trials te koppelen en hoe nieuwe digitale hulpmiddelen — vooral die met kunstmatige intelligentie — dat kunnen veranderen. Voor lezers biedt het een inkijk in hoe data, computers en menselijke expertise kunnen samenwerken om de toegang tot veelbelovende therapieën te versnellen en onderzoek eerlijker en inclusiever te maken.

De groeiende uitdaging van patiëntinschrijving

Moderne kankeronderzoeken zijn afhankelijk van klinische proeven, maar inschrijving is een serieus knelpunt geworden. Een groot deel van de oncologietrials lukt het niet genoeg deelnemers te werven, en de gebruikelijke inschrijvingsperiode wordt langer. Trials werken nu met ingewikkelde toelatingsregels, gedetailleerde labtests en steeds vaker met moleculaire “vingerafdrukken” van elke tumor. Tegelijk staat patiëntinformatie versnipperd over verschillende ziekenhuizen, IT-systemen en vrije-tekstverslagen. Hierdoor worden veel patiënten die baat zouden kunnen hebben bij een trial niet op tijd geïdentificeerd, en uiteindelijk sluit slechts ongeveer 3–5 procent van de in aanmerking komende mensen met kanker zich aan bij een studie.

Verschillende wegen om patiënten en studies te verbinden

De huidige inspanningen voor trial-matching vallen grofweg in drie groepen. Patiëntgerichte benaderingen gebruiken wervingscampagnes, sociale media, patiëntenverenigingen en online vragenlijsten om individuen zelf naar trials te laten zoeken. Die kunnen bewustzijn en betrokkenheid vergroten, maar lopen het risico desinformatie te verspreiden en kunnen mensen met beperkte internettoegang missen. Gezondheidszorgsysteemgerichte tools zijn ingebed in ziekenhuizen en klinieken en gebruiken elektronische dossiers, tumorboards en genomische testplatforms om oncologen tijdens de routinezorg trials voor te stellen. Hybride strategieën proberen beide te combineren: het bewustzijn van patiënten vergroten terwijl zorgverleners betere interne hulpmiddelen krijgen, zodat kansen aan geen van beide zijden verloren gaan.

Wie wordt buitengesloten en waarom dat ertoe doet

Een belangrijke zorg is dat proefdeelnemers niet het volledige beeld geven van de populatie mensen met kanker. Patiënten op het platteland, mensen uit lagere inkomensklassen, oudere volwassenen en veel minderheidsgroepen zijn ondervertegenwoordigd. Afstand tot grote centra, financiële druk, beperkte bekendheid en strikte toelatingsregels die mensen met andere gezondheidsproblemen uitsluiten, spelen allemaal een rol. Toezichthouders zoals de Amerikaanse Food and Drug Administration dringen er bij sponsoren op aan om vanaf het begin te plannen voor diversiteit, waaronder flexibelere, deels op afstand uit te voeren trialontwerpen en betere locatiekeuze. Het artikel benadrukt dat elke nieuwe matchingtechnologie actief deze kloof moet verkleinen en niet verdiepen.

Van handmatige beoordeling naar slimme automatisering

Traditioneel is trial-matching afhankelijk van artsen en onderzoekspersoneel die dossiers handmatig doornemen, patiënten interviewen en informatie in spreadsheets invoeren. Hoewel dit ruimte laat voor deskundig oordeel, is het traag, inconsistent en moeilijk op te schalen. Nieuwere elektronische methoden gebruiken elektronische dossiers, registers en geautomatiseerde meldingen om mogelijke matches te signaleren. Hulpmiddelen met kunstmatige intelligentie gaan verder door enorme hoeveelheden klinische notities, labuitslagen en genomische rapporten te scannen om geschikte trials voor te stellen. Grote taalmodellen — dezelfde familie systemen die geavanceerde chatbots aandrijven — kunnen ongestructureerde tekst omzetten in gestructureerde data en helpen bij het doorzoeken van complexe toelatingsregels. De review vergelijkt het “zero-shot” gebruik van generieke modellen met meer gespecialiseerde benaderingen die het ophalen van betrouwbare medische informatie, zorgvuldig gekozen voorbeelden en modellen die zijn verfijnd op kankerspecifieke documenten combineren.

Hoe slimme tools en clinici samen kunnen werken

De auteurs betogen dat de meest veelbelovende oplossingen hybride zijn: computers doen het zware werk van het lezen van enorme hoeveelheden data, maar clinici blijven verantwoordelijk voor de eindbeslissingen. In deze visie scannen AI-systemen voortdurend dossiers, interpreteren ze labtrends en biomarkers en doen ze voorstellen voor waarschijnlijke trialmatches, waarbij ze duidelijk laten zien waarom een patiënt wel of niet in aanmerking komt. Menselijke experts beoordelen, bevestigen of overrulen die suggesties, waarmee veiligheid en eerlijkheid worden gewaarborgd. Het artikel benadrukt de noodzaak van hoge-kwaliteit data, bescherming van patiëntprivacy, heldere verklaringen in plaats van “black box”-antwoorden en prestatiemaatstaven die niet alleen nauwkeurigheid en snelheid volgen, maar ook diversiteit en kosten.

Wat dit betekent voor de toekomst van kankerzorg

Tot slot zien de auteurs betere pre-screening- en selectietools als essentieel om kankeronderzoek te versnellen en de toegang tot innovatieve behandelingen te vergroten. Ze voorzien trial-matching-systemen die onderscheid maken tussen biologische en kalenderleeftijd, subtiele markers van fitheid en risico op bijwerkingen meenemen en veranderende labuitslagen in de loop van de tijd opnieuw controleren. Indien zorgvuldig ontworpen en gevalideerd, zouden door AI aangedreven, door mensen gecontroleerde kaders het makkelijker kunnen maken dat de juiste patiënten op het juiste moment de juiste trials vinden — waardoor verspilling wordt verminderd, rechtvaardigheid verbetert en effectieve kankertherapieën sneller de kliniek bereiken.

Bronvermelding: Horgan, D., Paulson, J.N., Loaiza-Bonilla, A. et al. A unified framework for pre-screening and screening tools in oncology clinical trials. npj Precis. Onc. 10, 143 (2026). https://doi.org/10.1038/s41698-026-01306-3

Trefwoorden: klinische onderzoeken naar kanker, matching van trials, kunstmatige intelligentie, precisiegeneeskunde in oncology, patiëntinschrijving