Waarom AI faalt bij werving voor klinische onderzoeken

Het probleem

Uw AI heeft zojuist een geschikte patiënt uitgesloten van een klinisch onderzoek omdat het een routineus infuus verwisselde met een openhartoperatie. Dit is geen hypothetisch scenario. Studies die AI voor patiëntmatching evalueren, hebben aangetoond dat modellen ten onrechte concluderen dat "hartkatheterisatie hetzelfde is als een centraal veneuze punctie", waardoor patiënten die eigenlijk in aanmerking komen onterecht worden uitgesloten. Bij de ene procedure wordt een katheter in het hart ingebracht om vernauwingen te diagnosticeren. Bij de andere wordt een lijn in een grote ader geplaatst om medicatie toe te dienen — vaak gewoon aan het bed van de patiënt. Ze delen het woord "katheter", en dat is precies waar de gelijkenis ophoudt.

Maar generieke AI weet dat niet. Het ziet overlappende woorden zoals "katheter", "veneus" en "punctie". Het groepeert deze op basis van oppervlakkige overeenkomsten en markeert de patiënt vervolgens als niet-in-aanmerking-komend. Niemand van uw team krijgt dat patiëntendossier ooit nog te zien. Vermenigvuldig deze fout met duizenden dossiers en u begint te begrijpen waarom ongeveer 80% van de klinische onderzoeken de tijdlijnen voor patiëntenwerving niet haalt. De sector heeft geen tekort aan patiënten met de juiste aandoeningen. Het ontbreekt aan AI die het onderscheid kan maken tussen twee procedures die hetzelfde klinken maar klinisch totaal verschillend zijn. Uw screeningtools wijzen geschikte kandidaten af en verspillen tijd aan mensen die niet in aanmerking komen.

Waarom dit cruciaal is voor uw organisatie

Elke dag dat uw klinische studie achterloopt op schema, verliest u geld dat u nooit meer kunt terugkrijgen. Een geactualiseerde analyse van het Tufts Center for the Study of Drug Development becijfert de kosten van een enkele dag vertraging op ongeveer $ 800.000 aan gederfde receptomzet voor een gemiddeld toonaangevend geneesmiddel. Voor cardiovasculaire therapieën loopt dat cijfer op tot $ 1,4 miljoen per dag. In de hematologie bedraagt het $ 1,3 miljoen per dag.

Dit zijn geen operationele kosten. Dit is verloren omzet tijdens uw periode van patentexclusiviteit — de enige periode waarin uw medicijn piekopbrengsten genereert.

Dit is hoe de financiële schade zich opstapelt binnen uw organisatie:

• Directe operationele kosten: Het openhouden van onderzoekscentra, datamonitoring en het aanhouden van CRO-contracten kost ongeveer $ 40.000 per dag extra voor Fase II- en III-onderzoeken.
• Verspilling door screeningsfouten: Elke patiënt die uw screeningstrechter binnengaat maar uiteindelijk niet in aanmerking blijkt te komen, kost ongeveer $ 1.200. Wanneer uw AI coördinatoren overspoelt met valse matches, lopen die kosten snel op.
• Uitval van onderzoekscentra: Ongeveer 37% van de onderzoekscentra werft onder de doelstelling, en 11% slaagt er niet in om ook maar één enkele patiënt te includeren. Gebrekkige AI-matching is een van de hoofdoorzaken.
• Verlies van concurrentievoordeel: Bij drukke indicaties zoals niet-kleincellig longcarcinoom of acute myeloïde leukemie verovert het eerste goedgekeurde geneesmiddel het grootste deel van de markt. Een vertraging van zes maanden door wervingsproblemen kan een wetenschappelijk superieur medicijn veranderen in een commerciële sof.

Uw raad van bestuur vraagt waarom de studie achterloopt. Uw antwoord kan niet luiden: "De AI heeft een infuuskatheter verward met een hartingreep."

Wat er achter de schermen werkelijk gebeurt

Zie het zo voor u: u overhandigt iemand een archiefkast vol medische dossiers en vraagt om geschikte patiënten voor uw studie te vinden. Maar in plaats van begrijpend te lezen, zoekt diegene naar specifieke woorden — net als met Ctrl+F in een gigantisch document. Als de uitsluitingslijst "hartkatheterisatie" vermeldt en in het dossier van de patiënt staat "centraal veneuze katheter", meldt de woordmatcher een treffer. Patiënt afgewezen.

Dit is precies hoe de meeste huidige AI-tools werken, of het nu gaat om ouderwetse trefwoordmatchers of nieuwere grote taalmodellen (LLM's — de technologie achter tools zoals ChatGPT). LLM's zijn geavanceerder, maar werken nog steeds op basis van woordnabijheid. In hun interne wiskundige ruimte liggen "hartkatheterisatie" en "centraal veneuze katheterisatie" dicht bij elkaar. Beide omvatten katheters. Beide hebben betrekking op het vaatstelsel. Zonder een gestructureerde medische kennisbank die de AI vertelt dat deze procedures tot compleet verschillende takken van de medische boom behoren, gooit de AI ze op één hoop.

Het whitepaper noemt dit de "precisiekloof". Dit veroorzaakt een paradox: meer automatisering leidt juist tot minder efficiëntie. Wanneer uw tool 100 kandidaat-patiënten oplevert maar slechts 5 daadwerkelijk in aanmerking komen, verliezen studiecoördinatoren het vertrouwen. Ze stoppen met het gebruik van de tool en vallen terug op handmatige dossierbeoordeling. U heeft betaald voor AI die uw team trager heeft gemaakt.

Het kernprobleem is dat LLM's het meest waarschijnlijke volgende woord voorspellen. Ze redeneren niet over medische feiten. Ze kunnen op dezelfde vraag een ander antwoord geven, afhankelijk van hoe de vraag is geformuleerd. Klinische onderzoeken vereisen 100% reproduceerbare audittrails. Uw toezichthouders moeten exact weten waarom elke patiënt is geïncludeerd of uitgesloten. Waarschijnlijkheid is geen bewijs.

Wat werkt (en wat niet)

Drie veelvoorkomende benaderingen die tekortschieten:

• Zoekwoordmatching en PDF-parsers: Deze behandelen geschiktheid als een woordzoeker. Ze kunnen geen onderscheid maken tussen een hartprocedure en een aderprocedure die het woord "katheter" delen.
• Generieke LLM-wrapper-API's: Deze sturen uw patiëntgegevens naar een groot taalmodel dat gokt naar geschiktheid. Ze hallucineren — wat betekent dat ze soms diagnoses of goedkeuringen verzinnen die niet in het dossier voorkomen. Ze creëren ook privacyrisico's wanneer beschermde gezondheidsinformatie externe servers bereikt.
• Booleaanse filters op gestructureerde velden: Deze controleren ja/nee-vakjes (bijv. "hypertensie = WAAR"), maar kunnen uitzonderingsclausules niet ontleden. Een protocol dat stelt "sluit patiënten met hypertensie uit, tenzij deze al minimaal 3 maanden goed onder controle is met stabiele medicatie" wordt een categorische afwijzing. U verliest elke patiënt met gecontroleerde hypertensie.

Wat wél werkt is een neuro-symbolische architectuur — een systeem dat het lezen scheidt van het logisch redeneren. Dit werkt in drie stappen:

1. Invoer — De Lezer: Een taalmodel leest uw ongestructureerde data (PDF's, artsennotities, gescande laboratoriumuitslagen). Zijn enige taak is het identificeren van medische concepten in de tekst. Het beslist niet over geschiktheid. Het extraheert termen zoals "centraal veneuze punctie" en koppelt deze aan een gestandaardiseerde medische code.
2. Verwerking — De Mapper en Redeneerder: Een kennisgraaf — een gestructureerde kaart van medische relaties gebaseerd op SNOMED CT (het meest gedetailleerde klinische terminologiestelsel ter wereld) — controleert waar die code zich in de medische hiërarchie bevindt. Het bevestigt dat "centraal veneuze katheterisatie" een subtype is van "katheterisatie van een ader" en geen subtype van "ingreep aan het hart". Vervolgens past een logische engine de regels van de studie toe, inclusief temporele voorwaarden ("meer dan 6 maanden geleden voltooid") en uitzonderingsclausules ("tenzij goed onder controle").
3. Uitvoer — De Beslissing met Audittrail: Het systeem levert voor elk criterium een duidelijk resultaat op: geschikt of uitgesloten. Elke beslissing gaat vergezeld van een redeneerspoor — de specifieke medische codes, het gecontroleerde hiërarchische pad en de toegepaste logische regel. Uw complianceteam kan elke individuele match auditen.

Deze audittrail is het verschil tussen een systeem dat toezichthouders accepteren en een systeem dat zij in twijfel trekken. Wanneer de FDA of het EMA vraagt waarom Patiënt 4.072 in uw onderzoek is opgenomen, kunt u de exacte logische keten overleggen. Dat is onmogelijk met een generiek LLM dat slechts een waarschijnlijkheidsscore gaf. De architectuur houdt de patiëntgegevens bovendien binnen uw veilige omgeving. De kennisgraaf en de logische engine draaien lokaal: er hoeft geen beschermde medische informatie uw firewall te verlaten.

Voor organisaties die al nadenken over het bouwen van kennisgrafen en domeinspecifieke medische ontologieën, vormt dit de fundamentele laag. En omdat elke beslissing een traceerbaar logisch bewijs oplevert, sluit dit direct aan op de eisen rond verklaarbaarheid en besluitvormingstransparantie die toezichthouders steeds nadrukkelijker stellen.

Dit is van doorslaggevend belang in de gehele sector van gezondheidszorg en biowetenschappen, waar de kosten van een verkeerde AI-beslissing worden gemeten in patiëntveiligheid, regelgevingsrisico's en honderden miljoenen aan gederfde inkomsten.

Voor de volledige technische architectuur, inclusief SNOMED CT-hiërarchievoorbeelden en deontische logicaformuleringen, leest u de volledige technische analyse. U kunt ook de interactieve versie verkennen voor een stapsgewijze demonstratie van hoe neuro-symbolische matching in de praktijk werkt.