3 baanbrekende manieren waarop AI de medische zorg transformeert

Inzicht krijgen in hoe kunstmatige intelligentie en andere geavanceerde technologieën de moderne geneeskunde vooruitstuwen, is een uitstekende manier om je vermogen om trends te herkennen te verdiepen. Dit is wat je moet weten. Naarmate AI-gebruik steeds gebruikelijker wordt in de medische sector, blijft het een cruciale rol spelen bij het verbeteren van de huidige behandelingen.

Kunstmatige‑intelligentiesystemen bestrijken nu het volledige scala van de medische markt, van het bijhouden van patiëntgegevens tot het aanbevelen van voorschriften en het assisteren bij operaties. Al deze vooruitgang is slechts een druppel op een gloeiende plaat vergeleken met wat de toekomst in petto heeft. AI‑systemen van de volgende generatie zullen de nauwkeurigheid verbeteren, onderzoekstijden verkorten en bijwerkingen verminderen.

Geavanceerde AI‑algoritmen geven artsen krachtige hulpmiddelen om een verschil te maken. Deze systemen hebben al geholpen de kosten van experimenten te verlagen, menselijke fouten te minimaliseren en moeilijk te behandelen en tijdrovende ziekten te diagnosticeren zonder menselijke tussenkomst. Hieronder staan de meest voorkomende toepassingen van AI in de medische sector vandaag.

• Preventie: Kunstmatige intelligentie is bijzonder nuttig bij diagnostiek. Deze systemen kunnen worden ingesteld om patronen en verbanden te herkennen die mensen nooit zouden opmerken. Daardoor worden AI‑systemen steeds vaker geïntegreerd in medische systemen om vroege tekenen van ziekte te bepalen in medische beelden, bij patiënten en andere vitale gegevens.
• Medicijnontwikkeling: Geneesmiddelenontdekking is een ander belangrijk gebied waar AI zwaar werk verricht. Er zijn vandaag AI‑systemen in gebruik die farmaceutische bedrijven in staat stellen menselijke reacties te simuleren zonder een echte patiënt te gebruiken. Deze systemen kunnen miljoenen scenario’s simuleren, waardoor de ontwikkelingstijd van geneesmiddelen, bijwerkingen en het optimaliseren van het ontwerp drastisch worden verminderd.
• Op maat gemaakte behandelplannen: Veel zorgverleners hebben AI omarmd om hun algehele behandelplannen te verbeteren. Deze systemen kunnen helpen bij het creëren, uitvoeren, monitoren en personaliseren van medische behandelingen. Daarom geloven velen dat toekomstige AI‑systemen in staat zullen zijn om te diagnosticeren, onderzoek te doen, voorschriften te geven en zelfs medicijnen ter plaatse te produceren. Hieronder staan 3 nieuwe manieren waarop AI de moderne geneeskunde vandaag vooruitstuwt.

AI‑algoritme kaart tumoren voor kankerbehandeling

Ingenieurs van Northwestern Medicine slaagden erin een intuïtief AI‑systeem te ontwikkelen dat tumoren nauwkeurig kan in kaart brengen. Het in kaart brengen van tumoren is een cruciaal onderdeel van radiotherapie, de meest gebruikte methode om kanker te bestrijden. Opmerkelijk is dat de helft van alle kankerpatiënten in de VS een radiotherapie ondergaat.

Het systeem helpt het probleem van tumorsegmentatie op te lossen. Deze handmatige procedure kost veel tijd en leidt tot vertragingen, inconsistenties en variërende nauwkeurigheid afhankelijk van de professional die de tests uitvoert. Gezien de gevaarlijke aard van kanker kunnen deze problemen leiden tot de dood van de patiënt.

Kankerstatistieken

Kanker blijft een van de belangrijkste doodsoorzaken onder de bevolking, en helaas tonen alle statistieken aan dat het aantal toeneemt. Experts voorspellen dat er dit jaar +2M nieuwe kankerpatiënten zullen zijn. Nog erger, +600K zullen sterven aan hun complicaties.

Met het besef dat er behoefte is aan een nauwkeuriger en betrouwbaarder systeem, publiceerden wetenschappers van Northwestern Medicine het artikel¹ met de titel “Deep Learning‑studie voor geautomatiseerde, bewegingsopgeloste tumorsegmentatie in radiotherapie“. Dit onderzoek introduceert een hoogwaardig AI‑instrument genaamd iSeg dat de tumordetectie verbetert. Het systeem zou kunnen leiden tot vroegere diagnoses en zelfs tot wereldwijde standaardisatie van tumorsegmentatie, waardoor de variaties die diagnostiek zo moeilijk maakten, worden geëlimineerd.

Training van het tumor‑in kaart brengende algoritme

Het AI‑systeem werd getraind met duizenden CT‑scans die van verschillende medische instellingen waren verzameld. Interessant genoeg tekenden artsen tumorcontouren rond het getroffen gebied om de identificatiecapaciteiten van het systeem te verbeteren. Twee ziekenhuizen, het prestigieuze Northwestern Medicine en de Cleveland Clinic, namen deel aan de studie door scans aan te leveren voor de AI‑dataset.

Bron – Northwestern Medicine

iSeg is uniek omdat het het eerste AI‑aangedreven 3D‑deep‑learning‑protocol is dat zich richt op het vinden van kankertumoren. Het systeem maakt gebruik van 3D‑scanning om tumoren te segmenteren en hun bewegingen tijdens elke ademhaling te volgen, waardoor ze eerder kunnen worden opgespoord voordat ze groter worden.

Voordelen van de studie naar het tumor‑in kaart brengende algoritme

Dit AI‑systeem zou kunnen leiden tot een geautomatiseerd ontdekkingssysteem, aangezien de AI zich als zeer efficiënt heeft bewezen. Het was in staat om de door artsen geleverde diagnoses te evenaren en te overtreffen. Nu wil het team deze aanpak gebruiken om behandelprocessen te verbeteren en vroege waarschuwingen te verhogen.

AI gebruiken om de ziekte van Parkinson op te sporen

Een recent voorbeeld van hoe AI de moderne geneeskunde vooruitstuwt, komt van onderzoekers van de afdeling Analytische Chemie van ACS. Dit team heeft een AI‑algoritme ontwikkeld dat vluchtige organische verbindingen (VOCs) in je oorsmeer detecteert om Parkinson te bepalen. De nieuwe aanpak is niet‑invasief en kosteneffectief, waardoor velen het zien als een belangrijke mijlpaal in de strijd tegen de ziekte van Parkinson.

Traditionele methoden voor het detecteren van Parkinson

Het nieuwe systeem stelt artsen in staat Parkinson veel eerder op te sporen dan traditionele methoden, die afhankelijk zijn van het monitoren van talg op de huid. De traditionele methode wordt gemakkelijk aangetast wanneer de huid wordt blootgesteld aan verontreinigingen, vochtigheid of andere verontreinigende stoffen. Bovendien is dit proces duur, wat leidt tot financiële barrières voor patiënten die het nodig hebben.

AI‑studie naar de ziekte van Parkinson

De Een kunstmatige‑intelligentie‑gebaseerd olfactorisch diagnostisch model voor de ziekte van Parkinson met behulp van vluchtige organische verbindingen uit oorkanaalsecreties studie² beschrijft hoe wetenschappers een AI‑systeem konden trainen om vier cruciale biomerkers te monitoren om de diagnose van Parkinson te stroomlijnen. Concreet bepaalde het team dat ethylbenzeen, 4‑ethyltolueen, pentaanal en 2‑pentadecyl‑1,3‑dioxolaan nauwkeurige biomerkers waren voor de aanwezigheid van de ziekte.

Ziekte van Parkinson

De ziekte van Parkinson is een aandoening van het zenuwstelsel die het vermogen van een persoon om basis motorische vaardigheden uit te voeren kan beïnvloeden. De ziekte verwoest de getroffenen. Binnen enkele jaren zullen de meeste patiënten lijden aan een breder scala van neurologische problemen. Helaas lijden vandaag +8,5 miljoen mensen aan deze ziekte.

Training van een AI‑algoritme voor de ziekte van Parkinson – de moderne geneeskunde vooruitstuwen

Het team verzamelde een grote hoeveelheid oorsmeer‑VOC‑gegevens om de AI‑dataset te trainen. Deze gegevens werden verkregen van 209 menselijke proefpersonen. Interessant genoeg hadden slechts 108 van de patiënten de ziekte van Parkinson. Deze aanpak stelde ingenieurs in staat het AI‑systeem een manier te bieden om gezonde gebieden te vergelijken met door Parkinson getroffen gebieden.

Voordelen van de AI‑studie naar de ziekte van Parkinson

Er zijn verschillende voordelen aan dit vroegtijdige waarschuwingssysteem voor de ziekte van Parkinson. Ten eerste zal het helpen het leven te redden van honderdduizenden mensen die niet weten dat ze deze aandoening hebben, aangezien de behandelingsopties beperkt zijn. Opmerkelijk is dat deze vroege niet‑invasieve detectiemethode goedkoper is dan alternatieven en veel gemakkelijker toegankelijk.

In de toekomst zouden deze systemen betrouwbare resultaten binnen enkele minuten kunnen leveren en helpen een gestandaardiseerde en autonome diagnosestrategie te creëren, waardoor kosten worden verlaagd en de toegankelijkheid wordt verbeterd.

AI gebruiken om leververvetting te bestrijden

Onderzoekers van de Graduate School of Medicine van Osaka Metropolitan University hebben een nieuw AI‑algoritme getraind en getest dat specifiek is ontworpen om leververvetting te detecteren. Deze extreem veelvoorkomende aandoening treft bijna een kwart van de wereldbevolking en kan leiden tot ernstige gezondheidscomplicaties zoals leverkanker.

Huidige methoden om leververvetting te detecteren

De huidige manier waarop zorgprofessionals leververvetting diagnosticeren, is via echografieën, CT‑scans en MRI‑scans. CT‑ en MRI‑scans zijn extreem dure procedures, en echografie vereist een professional die nauwkeurig kan ontcijferen wat de geluidsgolven weergeven.

Problemen met de huidige diagnostische opties voor leververvetting

Helaas creëren deze methoden kostenbarrières en tijdsbeperkingen voor patiënten. Ten eerste vereisen ze gespecialiseerde locaties. Je zult geen MRI‑apparaat vinden in de praktijk van je plaatselijke arts. Deze apparaten kunnen meer dan $100.000 kosten en moeten vaak in speciaal gebouwde faciliteiten worden geplaatst, wat hun totale kosten verhoogt en andere factoren die de toegang voor patiënten beperken.

AI‑studie naar leververvetting

Gelukkig heeft een team van wetenschappers van de Graduate School of Medicine van Osaka Metropolitan University een verbeterde methode ontwikkeld om radiologische interpretatie te realiseren. Hun artikel³ Prestaties van een op een thoraxradiografie gebaseerd deep‑learning‑model voor het detecteren van leversteatose introduceert een nieuwe methode om gebruik te maken van thorax‑röntgenfoto’s om leververvetting te vinden.

Het systeem kan deze taak uitvoeren door biomerkers in de borst te registreren die alleen aanwezig zijn wanneer patiënten lijden aan leververvetting. Deze aanpak verlaagt de diagnostische kosten en stelt zorgprofessionals in staat om meerdere diagnoses tegelijk uit te voeren.

Training van AI voor leververvetting – de moderne geneeskunde vooruitstuwen

Om hun AI‑systeem te trainen, creëerde het team een dataset met 6.599 thorax‑röntgenbeelden van 4.414 patiënten. Deze patiënten werden gefotografeerd, en de scans van de gezonde patiënten werden vergeleken met die van patiënten met leververvetting. Deze informatie helpt het team om Controlled Attenuation Parameter (CAP) scores te creëren, waardoor de nauwkeurigheid wordt vergroot.

Voordelen van de leververvetting‑studie

Het AI‑algoritme voor leververvetting stelt medische professionals in staat extra diagnoses uit te voeren bij patiënten zonder extra stappen. Opmerkelijk is dat er al duizenden patiënten zijn die een thorax‑röntgen hebben gehad. Bijgevolg hebben deze personen alles gekregen wat nodig is om te bevestigen dat ze geen leververvetting hebben, zonder het zelfs te weten.

AI – de moderne geneeskunde vooruitstuwen door efficiëntie en innovatie

Wanneer je de effecten van AI‑systemen in de moderne geneeskunde onderzoekt, is het duidelijk dat de markt op weg is naar een nieuw tijdperk van behandelingsdoeltreffendheid en bruikbaarheid. Naarmate AI‑systemen steeds gebruikelijker en meer verweven raken in de medische sector, zal de steun voor AI‑geïntegreerde medische opties toenemen. Al deze factoren onderstrepen hoe AI het potentieel heeft om de medische sector te revolutioneren en nog veel meer.

Lees meer over andere AI‑ontwikkelingen hier

Gerefereerde studies:

<sup>1. Sarkar, S., Teo, P.T. & Abazeed, M.E. Deep learning voor geautomatiseerde, bewegingsopgeloste tumorsegmentatie in radiotherapie. npj Precis. Onc. 9, 173 (2025). https://doi.org/10.1038/s41698-025-00970-1
2. Sun, C., Zhu, Y., Wang, Q., Zeng, Y., Yu, Y., & Zhang, W. (2025). Een kunstmatige‑intelligentie‑gebaseerd olfactorisch diagnostisch model voor de ziekte van Parkinson met behulp van vluchtige organische verbindingen uit oorkanaalsecreties. Analytical Chemistry, 97(23), 8230–8237. https://doi.org/10.1021/acs.analchem.5c00908
3. Matsuo, H., Matsumura, T., Inoue, Y., Tanaka, R., Ito, T., & Tatsumi, M. (2024). Prestaties van een op een thoraxradiografie gebaseerd deep‑learning‑model voor het detecteren van leversteatose. Radiology: Cardiothoracic Imaging, 6(3), e240402. https://doi.org/10.1148/ryct.240402</sup>