Jouw AI-matchingtool kent het verschil niet tussen een centrale lijn en een hartkatheterisatie. Dat kost je $800K per dag.

Hoe verschilt ontologiegestuurde matching van wat Tempus of IQVIA al bieden?

Tempus Patient Query en de matchingtools van IQVIA gebruiken grote taalmodellen om klinische notities te lezen en relevantie te scoren tegen studiecriteria. Dit werkt goed voor rechttoe rechtaan criteria, maar loopt vast bij ontologische onderscheidingen. Wanneer een protocol "hartkatheterisatie" uitsluit en een patiëntdossier een "plaatsing van een centraal veneuze katheter" vermeldt, ziet een LLM die op vector-gelijkenis werkt twee katheterprocedures waarbij het cardiovasculaire systeem betrokken is en markeert een match. Een op SNOMED-CT gefundeerd systeem herkent dat deze op volledig verschillende takken van de ingreephiërarchie zitten (SCTID 41976001 vs. 392230005) en oordeelt de patiënt terecht geschikt.

Het praktische verschil komt tot uiting in de screeningfaalpercentages. Op LLM gebaseerde matching behaalt doorgaans 85-94% nauwkeurigheid op goed gestructureerde criteria, maar daalt naar 70-80% bij protocollen met complexe ontologische onderscheidingen, temporele logica of uitzonderingsclausules. Ontologiegestuurde matching handhaaft 95%+ nauwkeurigheid over alle criteriumtypes, omdat de geschiktheidsbeslissing wordt berekend door een symbolische redeneerder, niet voorspeld door een taalmodel.

Het andere structurele verschil is auditeerbaarheid. Een LLM produceert een relevantiescore. Ons systeem produceert een redeneerspoor: patiënt heeft SCTID X, criterium vereist niet-SCTID Y, X is-geen-subtype-van Y volgens de SNOMED-hiërarchie, daarom geschikt. Dat spoor is wat teams van regulatory affairs nodig hebben voor FDA-indieningsdocumentatie.

Kan dit integreren met ons bestaande EPD-systeem zonder patiëntdata naar externe API's te sturen?

Ja, en dit is een fundamenteel architectonisch principe, geen bijzaak. De neuro-symbolische architectuur scheidt de neurale laag (LLM voor entiteitsextractie) van de symbolische laag (kennisgraaf en logica-oplosser). Beide kunnen volledig binnen jouw firewall draaien.

De LLM-extractielaag wordt geïmplementeerd als een lokaal model, doorgaans een fijnafgestemd klinisch taalmodel dat draait op jouw infrastructuur of een beveiligde private-cloudinstantie. Het stuurt nooit ruwe patiënttekst naar externe API's. De kennisgraaf (Neo4j of equivalent) en de SNOMED-CT-ontologie staan on-premise. FHIR R4 is de invoerstandaard. Voor Epic-omgevingen bouwen we tegen de FHIR R4-endpoints die beschikbaar zijn via App Orchard, waarbij we Patient-, Condition-, Procedure- en MedicationAdministration-resources ophalen. Voor Oracle Health (Cerner) gebruikt de integratie hun Millennium FHIR API's.

De extractielaag verwerkt klinische notities lokaal, wijst entiteiten toe aan SCTID's, en de symbolische redeneerder evalueert geschiktheid tegen protocolcriteria. Beschermde gezondheidsinformatie verlaat nooit jouw beveiligde omgeving. Wij ontwerpen onze architectuur vanaf dag één voor naleving van de HIPAA BAA, inclusief auditlogging, toegangscontroles op basis van het minimaal noodzakelijke, en de-identificatiemogelijkheden voor elke data die wel tussen systemen moet bewegen.

Voor welke therapeutische gebieden werkt dit, en hoe lang duurt de opzet van de ontologie?

De architectuur werkt voor elk therapeutisch gebied omdat SNOMED-CT 350.000+ medische concepten omvat. De variabele is de ontologiediepgang, oftewel hoeveel domeinspecifieke mappings, synoniemen en hiërarchische relaties vooraf zijn geconfigureerd voor jouw specifieke protocollen.

Oncologie is waar we de meeste opdrachten beginnen, omdat de criteria het meest complex zijn: biomarkervereisten (PD-L1-expressieniveaus, BRCA1/2-mutatiestatus, EGFR-varianten), stadiëringssystemen (TNM, AJCC 8e editie), eerdere behandelschema-histories met temporele beperkingen, en performancestatusscores. Een productieklare oncologie-ontologie die de top 50 biomarkers, 200+ behandelschema's en standaardstadiëringssystemen omvat, kost 6-8 weken om te bouwen en valideren.

Cardiovasculair en CZS zijn de daaropvolgende meest voorkomende. De cardiovasculaire ontologie richt zich op ingreephiërarchieën (het onderscheid van hartkatheterisatie is slechts één van tientallen), medicatie-interactieketens via CYP-enzympaden, en labwaardebereiken met locatiespecifieke referentieaanpassingen. CZS voegt de verwerking van subjectieve eindpunten en de mapping van cognitieve-beoordelingsscores toe.

Zeldzame ziekten zijn technisch gezien het meest uitdagend, omdat de SNOMED-dekking dun kan zijn voor ultrazeldzame aandoeningen. Wij vullen aan met Orphanet-ontologiemappings en bouwen aangepaste conceptuitbreidingen die terugvloeien in de graaf. De opzet voor een therapeutisch gebied van zeldzame ziekten loopt 8-12 weken. Elke ontologie wordt gevalideerd tegen echte protocolcriteria uit jouw studieportfolio voordat deze live gaat.

Hoe gaat dit om met de complexe "tenzij"- en "behalve"-clausules in moderne studieprotocollen?

Dit is waar deterministische logica het duidelijkst beter presteert dan probabilistische taalmodellen. Standaard-NLP behandelt geschiktheidscriteria als tekst die geïnterpreteerd moet worden. Wij behandelen ze als formele logica die berekend moet worden.

Neem een echt criterium: "Sluit patiënten met hypertensie uit, tenzij deze goed onder controle is met stabiele medicatie gedurende ten minste 3 maanden." Een LLM ziet het woord "hypertensie" en moet uit de context beslissen of het moet uitsluiten. Het krijgt dit meestal goed, maar "meestal" betekent dat je bij elke studie geschikte patiënten verliest.

Onze parser ontbindt dit in deontische operatoren. Verbod: hypertensie aanwezig. Toestemmingsvoorwaarde: hypertensie EN onder controle (bloeddruk onder 140/90 volgens de protocoldefinitie) EN stabiele medicatie (hetzelfde antihypertensieve schema) EN temporele beperking (3+ maanden duur). Het systeem doorzoekt vervolgens de medicatiegeschiedenis van de patiënt in de kennisgraaf, identificeert het antihypertensivum, controleert de startdatum van het voorschrift, berekent het duurverschil ten opzichte van de screeningdatum, en verifieert bloeddrukmetingen binnen het observatievenster. Elke stap produceert een verifieerbare output.

Dezelfde logica verwerkt ketens zoals "geen eerdere chemotherapie tenzij neoadjuvante therapie meer dan 6 maanden geleden is voltooid" door het intentieattribuut van de therapie te controleren (neoadjuvant vs. adjuvant vs. palliatief), de einddatum, en het temporele verschil. Dit zijn geen randgevallen. IQVIA-data tonen aan dat protocollen nu gemiddeld 27+ geschiktheidscriteria tellen, veel met geneste voorwaarden. Eén verkeerd verwerkte uitzonderingsclausule per protocol, over honderden gescreende patiënten, stapelt zich op tot tientallen verloren inclusies.

Hoe ziet een typische opdracht eruit, en wat kost deze in vergelijking met het licentiëren van een platform?

Een typische opdracht omvat drie fasen over 14-20 weken. Fase 1 (3-4 weken) is een audit van de wervingsoperaties: we analyseren jouw huidige screeningfaalpercentages, brengen jouw EPD-datalandschap in kaart, beoordelen 10-15 representatieve protocollen uit jouw studieportfolio, en identificeren de specifieke criteriumtypes die de meeste fout-positieven en gemiste matches veroorzaken. Deze fase levert een technisch architectuurdocument en een ROI-model gebaseerd op jouw werkelijke data.

Fase 2 (8-12 weken) is de bouw: ontologieontwikkeling voor jouw prioritaire therapeutische gebied, LLM-fijnafstemming op jouw klinische-notitiepatronen, constructie van de kennisgraaf, configuratie van de symbolische redeneerder, en FHIR-integratie met jouw EPD-omgeving. Fase 3 (3-4 weken) is validatie: retrospectief testen tegen afgeronde studies waar de inclusie-uitkomsten bekend zijn, nauwkeurigheidsbenchmarking, en integratie van de coördinatorworkflow.

De kosten hangen af van de scope. Een bouw voor één therapeutisch gebied met één EPD-integratie loopt doorgaans op tot $180K-$350K. Multi-therapeutische of multi-locatie-implementaties schalen met de breedte van de ontologie en de complexiteit van de integratie. Ter vergelijking: platformlicenties van Tempus en IQVIA lopen op tot $200K-$500K+ per jaar, met daarbovenop kosten per patiënt of per studie.

Het fundamentele economische verschil is eigenaarschap. Een platformlicentie is terugkerende uitgave met vendor lock-in. Een maatwerkbouw is een asset die je bezit, onderhoudt en uitbreidt. Voor organisaties die jaarlijks 20+ studies uitvoeren, wordt de maatwerkbouw doorgaans binnen 18 maanden break-even ten opzichte van platformlicentiëring, met als bijkomend voordeel dat de matchingnauwkeurigheid is afgestemd op de specifieke complexiteit van jouw protocol.

Vereist dit FDA-goedkeuring, of kwalificeert het onder de CDS-vrijstelling?

De geactualiseerde Clinical Decision Support-richtlijn van de FDA van januari 2026 is hier het relevante kader. De kernvraag is of het systeem autonome klinische beslissingen neemt of menselijke besluitvorming ondersteunt.

Onze architectuur is ontworpen voor de CDS-vrijstelling onder Section 3060 van de 21st Century Cures Act. Het systeem voldoet aan alle vier de vrijstellingscriteria: het is niet bedoeld om medische beelden of signalen te verwerven, verwerken of analyseren; het toont de grondslag voor aanbevelingen (het volledige redeneerspoor); het is bedoeld voor zorgprofessionals met een onafhankelijke beoordelingscapaciteit; en het vervangt het klinisch oordeel niet bij het nemen van geschiktheidsbeslissingen.

In de praktijk betekent dit dat het systeem gerangschikte patiënt-studiematches produceert met betrouwbaarheidsscores en redeneersporen. Een locatiecoördinator of clinical research associate beoordeelt elke match voordat er contact met een patiënt is. Het systeem schrijft nooit automatisch in.

Dat gezegd hebbende, blijft de interpretatie van de FDA van de CDS-reikwijdte verschuiven. Als jouw organisatie van plan is matchingoutput te gebruiken om patiënten automatisch uit te sluiten zonder menselijke beoordeling, kan het systeem het terrein van een medisch hulpmiddel betreden, wat een 510(k)-goedkeuring of De Novo-classificatie vereist. Wij raden aan om vroeg in de ontwerpfase contact te leggen met het Digital Health Center of Excellence van de FDA. Wij bouwen de toezichthoudende documentatie, inclusief de rechtvaardiging van de CDS-vrijstelling, de verklaring van beoogd gebruik en het klinisch evaluatierapport, als standaard op te leveren resultaat in fase 1.