Kan AI gepersonaliseerde kankerbehandelingsregimes genereren uit genomische en klinische proefgegevens ?

Kan kunstmatige intelligentie op betrouwbare wijze geïndividualiseerde kankerbehandelplannen genereren door een patiënt’s genomisch profiel te kruisrefereren met gegevens uit gepubliceerde klinische studies? Deze vraag onderzoekt de balans tussen veelbelovende computationele resultaten en de strenge medische normen die vereist zijn voor patiëntenzorg.

Background

Kunstmatige-intelligentiemodellen worden steeds vaker gebruikt om patiëntspecifieke DNA-sequencing en tumormutatieprofielen te integreren met bewijs uit collegiaal getoetste klinische onderzoeken om gepersonaliseerde medicijncombinaties voor te stellen. Deze systemen maken gebruik van machinelearning-algoritmen om potentieel effectieve therapieën te identificeren door genomische veranderingen te matchen met geneesmiddelen met gerapporteerde werkzaamheid in vergelijkbare patiëntengroepen. Zo zijn er bijvoorbeeld deep learning-frameworks zoals DeepDR en soortgelijke platforms ontwikkeld om geneesmiddelresponsen te voorspellen op basis van multi-omics-gegevens en historische onderzoeksresultaten. Toch blijven er zorgen bestaan over de klinische geldigheid en de werkelijke effectiviteit van door AI gegenereerde behandelplannen, zoals benadrukt door oncologen en regelgevende instanties. Hoewel deze modellen plausibele medicijncombinaties kunnen produceren door te leren van grote datasets, stellen critici dat veel suggesties ontbreken aan prospectieve validatie in gecontroleerde klinische settings of aangetoonde overlevingsvoordelen bij patiënten. Daarnaast maken de heterogeniteit van kankertypes, de dynamische aard van tumorontwikkeling en de variabiliteit in onderzoeksopzetten de vertaling van AI-aanbevelingen naar gestandaardiseerde behandelprotocollen extra ingewikkeld. Regelgevende instanties zoals de Amerikaanse Food and Drug Administration (FDA) hebben het belang benadrukt van rigoureuze validatie van door AI aangedreven klinische beslissingsondersteunende tools om de veiligheid en therapeutische meerwaarde voor patiënten te waarborgen.

Grote taalmodellen en andere AI-systemen worden steeds vaker gebruikt om biomedische literatuur en klinische onderzoeksrapporten te synthetiseren en behandelopties voor te stellen. Benchmarkstudies rapporteren dat AI relevante onderzoeksarmen voor een gegeven patiëntengenotype met matige tot hoge nauwkeurigheid kan ophalen en rangschikken, hoewel de prestaties variëren per kankertype en datavolledigheid. Regelgevende paden voor software die behandeladviezen genereert, blijven gefragmenteerd, waarbij sommige jurisdicties dergelijke systemen behandelen als klinische beslissingsondersteunende tools en andere als hoogrisico medische hulpmiddelen. Validatie in de praktijk vindt meestal plaats via retrospectieve patiëntendossierbeoordelingen en prospectieve pilotstudies waarin door AI voorgestelde behandelplannen worden vergeleken met die gekozen door multidisciplinaire tumorborden. Ethische en juridische richtlijnen benadrukken het belang van uitlegbaarheid, menselijk toezicht en duidelijke openbaarmaking wanneer AI wordt gebruikt om zorg te informeren. Databronnen omvatten openbare repositories zoals TCGA en cBioPortal, evenals gestructureerde onderzoeksdatabases zoals ClinicalTrials.gov en EudraCT.

— Verrijkt 15 mei 2026 · Bron: Nature Biotechnology, 2023