Onderzoekers melden dat kunstmatige intelligentie het risico op borstkanker jaren van tevoren kan inschatten. Het gaat om systemen die patronen in standaardmammogrammen leren herkennen. De techniek wordt getest in ziekenhuizen en bevolkingsonderzoeken in Europa en de VS. Dit is relevant omdat de Europese AI-verordening en de AVG strenge eisen stellen aan medische algoritmen in de zorg.
AI voorspelt risico jaren eerder
Nieuwe datamodellen vinden subtiele patronen in borstweefsel die mensen niet zien. Zo kan een algoritme het persoonlijke risico op borstkanker tot meerdere jaren vooruit schatten. Het doel is om eerder in te grijpen en behandelingen minder zwaar te maken.
In plaats van alleen een tumor op te sporen, berekent het systeem een kans op ziekte in de toekomst. Dat heet een risicomodel en gebruikt kenmerken zoals weefselstructuur en dichtheid. De analyse gebeurt op dezelfde röntgenbeelden die nu al in het bevolkingsonderzoek worden gemaakt.
Bekende voorbeelden zijn Mirai van MIT en Mass General Brigham, en ProFound AI Risk van iCAD. Deze modellen zijn extern getest, onder meer in Europese populaties. Daarmee groeit het bewijs dat de aanpak werkt in verschillende landen en met verschillende apparatuur.
Een risicomodel schat de kans op ziekte in de toekomst, op basis van patronen in bestaande zorgdata zoals mammogrammen.
Toepassingen in Europa nemen toe
In Zweden en het VK lopen grootschalige evaluaties met AI in het borstscreeningprogramma. Voor detectie gebruiken centra onder meer Mia van Kheiron Medical en Lunit INSIGHT MMG. Voor risico-inschatting wordt Mirai in onderzoeksverband vergeleken met klassieke scores.
Nederland heeft ervaring met AI-hulpsystemen zoals Transpara van het Nijmeegse ScreenPoint Medical. Dat product ondersteunt radiologen bij de beoordeling en is CE-gemarkeerd als medisch hulpmiddel. Voor echte risicovoorspelling over meerdere jaren wordt in Nederlandse centra nog vooral onderzoek gedaan.
Als risicomodellen betrouwbaar blijken, kunnen landen gerichter uitnodigen voor screening. Vrouwen met een hoger risico komen dan eerder of vaker, en anderen misschien wat minder vaak. Dat kan de druk op de radiologie verlagen en wachttijden verkorten.
Wat werkt en wat niet
De modellen presteren beter dan traditionele risicotools die vooral leeftijd en familiegeschiedenis gebruiken. Ze halen informatie uit het beeld die artsen niet consistent kunnen scoren. Daardoor kunnen meer toekomstige kankers in een vroeg stadium worden verwacht.
Toch zijn er beperkingen. Algoritmen kunnen anders presteren per merk röntgenapparaat of bevolkingsgroep. Lange termijnvalidatie in meerdere landen blijft nodig om vertekening en ongelijkheid te voorkomen.
Uitlegbaarheid is een ander aandachtspunt. Radiologen willen weten waarom een patiënt als hoog risico wordt aangemerkt. Zonder begrijpelijke uitleg is het lastig om beleid en vervolgonderzoek goed te bepalen.
Gevolgen voor patiënt en zorg
Met een persoonlijke risicoschatting kan de zorg overstappen naar maatwerk-screening. Dat kan betekenen: kortere intervallen, extra MRI voor zeer hoge risico’s, of juist minder beeldvorming bij laag risico. Het doel is minder overdiagnose en toch meer vroege opsporing.
De invoering vraagt wel duidelijke routes voor vervolgonderzoek en begeleiding. Een hoog-risicouitslag brengt stress en extra onderzoeken met zich mee. Heldere communicatie en keuzehulp zijn daarom essentieel.
Ziekenhuizen moeten ook afspreken wie beslist: het algoritme of het zorgteam. In de praktijk houdt de arts de eindverantwoordelijkheid. AI fungeert dan als tweede lezer of risicocalculator, niet als autonome beslisser.
Wetgeving stuurt implementatie
Onder de Europese AI-verordening vallen medische AI-systemen in de hoge-risicoklasse. Dat betekent strenge eisen aan datakwaliteit, transparantie en menselijk toezicht. Veel producten hebben daarnaast een CE-markering nodig volgens de Medical Device Regulation.
Voor Nederlandse instellingen spelen de AVG-regels een centrale rol. Gezondheidsdata zijn extra gevoelig, daarom zijn dataminimalisatie, pseudonimisering en versleuteling verplicht. Een Data Protection Impact Assessment (DPIA) is op het moment van schrijven de norm bij nieuwe AI-toepassingen.
Publieke partijen moeten rekening houden met aanbestedingsregels en de “Europese AI-verordening gevolgen overheid”. Dat vraagt inkoop met eisen aan bias-onderzoek en logging. Leveranciers die trainen en hosten in de EU hebben hierbij een praktisch voordeel.
Volgende stappen voor bewijs
De cruciale vraag is of vroege risicovoorspelling ook sterfte verlaagt. Dat vereist jarenlange follow-up in diverse bevolkingen. Europese consortia kunnen hier versnelling geven met gedeelde, goed geanonimiseerde datasets.
Ook economische evaluaties zijn nodig. Als AI de werkdruk verlaagt en onnodige onderzoeken voorkomt, kan dat de kosten drukken. Als er juist veel extra vervolgonderzoek volgt, kan het omgekeerde gebeuren.
Tot die tijd ligt de nadruk op gecontroleerde invoering met menselijk toezicht. Radiologen, datastewards en ethische commissies trekken samen op. Zo kan AI veilig en doelmatig landen in het bevolkingsonderzoek borstkanker.