Het koppelen van clinici aan klinische onderzoeken met behulp van AI

Waarom het vinden van de juiste artsen voor onderzoeken belangrijk is

Elk nieuw medicijn of vaccin moet worden getest in zorgvuldig ontworpen klinische onderzoeken. Toch hebben veel onderzoeken moeite om genoeg vrijwilligers te vinden, of schrijven ze patiënten in die niet representatief zijn voor de praktijkpopulatie die de behandeling uiteindelijk zal gebruiken. De auteurs van deze studie ontwikkelden een systeem met kunstmatige intelligentie, genaamd DocTr, dat organisatoren van onderzoeken helpt te bepalen welke artsen en klinieken een studie zouden moeten uitvoeren. Door deze stap van "locatiekeuze" te verbeteren, wil het systeem de toegang tot nieuwe therapieën versnellen en onderzoek inclusiever en kosteneffectiever maken.

De verborgen knelpoort in medisch onderzoek

Klinische onderzoeken mislukken vaak niet omdat een behandeling niet werkt, maar omdat de juiste patiënten nooit worden geworven. Traditioneel vertrouwen farmaceutische bedrijven op handmatige zoektochten, persoonlijke netwerken en giswerk om te beslissen welke artsen ze uitnodigen. Dit proces kan traag zijn, bevooroordeeld naar een kleine kring van bekende onderzoekers en blind voor veelbelovende locaties die zorg verlenen aan diverse gemeenschappen. Het resultaat is onthutsend: veel onderzoekslocaties schrijven veel minder patiënten in dan gepland, sommige schrijven helemaal niemand in, en vertragingen kunnen sponsoren honderdduizenden tot miljoenen dollars per dag kosten.

Een computer leren artsen en onderzoeken te matchen

DocTr pakt het probleem aan door te leren van verschillende grote, real‑world gegevensbronnen. Ten eerste leest het publieke onderzoeksbeschrijvingen van ClinicalTrials.gov, inclusief de bestudeerde ziekten en wie in aanmerking komt om deel te nemen. Ten tweede gebruikt het geanonimiseerde verzekeringsclaims om een profiel van elke behandelaar op te bouwen op basis van de typen patiënten die zij behandelen—in essentie een vijfjaarlijkse momentopname van hun praktijk. Ten derde maakt het gebruik van de US OpenPayments‑database, die industriebetalingen aan clinici registreert die gekoppeld zijn aan specifieke onderzoeken. Die eerdere betalingskoppelingen dienen als een proxy voor welke artsen daadwerkelijk aan welke studies hebben gewerkt, en geven het systeem voorbeelden van succesvolle matches om van te leren.

Hoe de AI leert van tekst, cijfers en netwerken

Om deze ingrediënten te combineren, bouwden de onderzoekers een model dat zowel taal als patronen in gegevens begrijpt. Een component gebruikt een medische variant van het BERT‑taalmodel om onderzoekssamenvattingen en inclusieregels om te zetten in wiskundige vectoren die betekenis vastleggen. Een andere component vat de mix van diagnoses van elke artss patiëntenset samen tot een compacte representatie. Een derde onderdeel behandelt de geschiedenis tussen onderzoek en arts als een netwerk en gebruikt graph‑learning technieken om vast te leggen wie met wie heeft gewerkt en op welke gebieden. DocTr mengt deze signalen tot een enkele matchescore voor elk potentiëel onderzoek–arts paar, en rangschikt vervolgens clinici voor elk nieuw onderzoek.

Betere matches, eerlijkere inschrijving en minder belangenconflicten

Bij tests met bijna 25.000 Amerikaanse clinici en meer dan 5.000 onderzoeken leverde DocTr aanbevolen lijsten met clinici op die ongeveer 58% meer overeenkwamen met werkelijke onderzoeksteams dan de beste bestaande methoden. Cruciaal is dat het systeem verder kijkt dan alleen nauwkeurigheid. Een ingebouwde optimalisatiestap herschikt de topkandidaten om diversiteit in ras, etniciteit en geografische spreiding te bevorderen, terwijl artsen worden vermeden die al druk zijn met vele andere studies. Dit proces verhoogde de diversiteitsscores vergeleken met de huidige praktijk en verlaagde het gemiddelde aantal overlappende onderzoeken voor aanbevolen clinici tot bijna nul, zonder in te boeten aan matchkwaliteit.

Vooruitkijken bij kosten en planning

Omdat DocTr ook leert van betalingsgegevens, kan het inschatten hoe duur werving voor een nieuw onderzoek of voor een bepaalde clinician kan zijn. Door eerdere onderzoeken en artsen met vergelijkbare profielen te vinden, produceert het kosten‑ en inschrijvingsprognoses die redelijk goed aansluiten bij echte gegevens. Deze prognoses zijn geen volledige begrotingen, maar geven sponsoren een manier om opties te vergelijken, ongewoon kostbare plannen te signaleren en wervingsstrategieën te kiezen die snelheid, diversiteit en kosten in balans brengen.

Wat dit betekent voor patiënten en de toekomst

De studie laat zien dat verstandig gebruik van bestaande gegevens klinische onderzoeken betrouwbaarder, sneller en eerlijker kan maken. DocTr kan niet elke bron van vooringenomenheid herstellen—zoals beperkende inclusiecriteria in een protocol—maar het kan de kring van overwogen artsen verbreden en helpen gemeenschappen te includeren die vaak buiten onderzoek zijn gehouden. Als dergelijke systemen worden geadopteerd en zorgvuldig worden gereguleerd, zouden ze het pad vanaf laboratoriumontdekkingen naar behandelingen in de praktijk kunnen verkorten, terwijl meer patiënten de kans krijgen deel te nemen aan het vormgeven van de medicijnen van morgen.

Bronvermelding: Gao, J., Xiao, C., Glass, L.M. et al. Matching clinicians with clinical trials using AI. Nat. Health 1, 290–299 (2026). https://doi.org/10.1038/s44360-026-00073-6

Trefwoorden: werving voor klinische onderzoeken, kunstmatige intelligentie in de geneeskunde, selectie van onderzoekslocaties, gezondheidsrechtvaardigheid, analyse van medische gegevens