Zie ook literatuurlijst niet-toxische middelen, voeding en voedingstoffen en weinig belastende behandelingen specifiek bij longkanker van arts-bioloog drs. Engelbert Valstar
24 april 2025: Bron: British Journal of General Practice , NOS
Huisartsen zouden met hulp van Kunstmatige Intelligentie - Artificial Intelligence patiënten met een verhoogd risico op longkanker tot vier - vijf maanden eerder kunnen identificeren op basis van specifieke symptomen uit het medisch dossier van hun patiënten. Wat grote gevolgen kan hebben voor een genezende behandeling.
Dat blijkt uit een studie van een onderzoeksteam van het UMC Amsterdam die onderzoek deed aan de hand van de gegevens van reeds geregistreerde longkankerpatiënten. De onderzoekers verzamelden de gegevens van de longkankerpatiënten aan de hand van vaker voorkomende symptomen met hulp van Kunstmatige Intelligentie - Artificial Intelligence.
"Er zijn ongeveer een miljoen patiënten in een database verzameld, met alle gegevens van hun huisartsen. Daarop hebben we een aantal programma's losgelaten en hebben we gekeken of we in staat zijn om een tot zes maanden voordat de diagnose werd gesteld te voorspellen welke patiënten longkanker zouden krijgen", zegt een van de onderzoekers, oud-hoogleraar huisartsgeneeskunde Henk van Weert, tegen de NOS.
Kunstmatige Intelligentie - Artificial Intelligence zocht dus via de medische dossier in de voorgeschiedenis van een patiënt en van alle andere patiënten naar samenhangende verbanden die erop zouden kunnen wijzen dat iemand mogelijk longkanker heeft. Hoe die verbanden werden gelegd is nog niet duidelijk aldus de onderzoekers, maar uit de studie blijkt dat op basis van de resultaten een huisarts iemand al door kan verwijzen naar het ziekenhuis voor een CT-scan voordat diegene zelf met klachten komt. Het verschil was zo'n 4 tot 5 maanden gemiddeld.
Een vroege diagnose is bij longkanker, maar in principe bij alle vormen van kanker, cruciaal voor een genezende behandeling. oud-hoogleraar huisartsgeneeskunde Henk van Weert stelt in het artikel bij de NOS:
"Die paar maanden kunnen een groot verschil maken in de behandeling en de overlevingskans van patiënten. Hoe eerder ermee wordt begonnen, hoe minder intensief de behandeling hoeft te zijn, aldus Van Weert. "Nu is het zo dat meer dan driekwart van de diagnoses pas wordt gesteld als de longkanker al verder is gevorderd. Het sterftecijfer onder deze patiënten ligt op meer dan 80 procent binnen een jaar."
Het volledige studierapport is gratis in te zien en te lezen of dowloaden. Klik daarvoor op de titel van het abstract:
Artificial intelligence for early detection of lung cancer in GPs’ clinical notes: a retrospective observational cohort study
Abstract
Background The journey of >80% of patients diagnosed with lung cancer starts in general practice. About 75% of patients are diagnosed when it is at an advanced stage (3 or 4), leading to >80% mortality within 1 year at present. The long-term data in GP records might contain hidden information that could be used for earlier case finding of patients with cancer.
Aim To develop new prediction tools that improve the risk assessment for lung cancer.
Design and setting Text analysis of electronic patient data using natural language processing and machine learning in the general practice files of four networks in the Netherlands.
Method Files of 525 526 patients were analysed, of whom 2386 were diagnosed with lung cancer. Diagnoses were validated by using the Dutch cancer registry, and both structured and free-text data were used to predict the diagnosis of lung cancer 5 months before diagnosis (4 months before referral).
Results The algorithm could facilitate earlier detection of lung cancer using routine general practice data. Discrimination, calibration, sensitivity, and specificity were established under various cut-off points of the prediction 5 months before diagnosis. Internal validation of the best model demonstrated an area under the curve of 0.88 (95% confidence interval = 0.86 to 0.89), which shrunk to 0.79 (95% CI = 0.78 to 0.80) during external validation. The desired sensitivity determines the number of patients to be referred to detect one patient with lung cancer.
Conclusion Artificial intelligence-based support enables earlier detection of lung cancer in general practice using readily available text in the patient files of GPs, but needs additional prospective clinical evaluation.
- Approaches to diagnosing cancer earlier in general practice
Jon D Emery, Br J Gen Pract
- Artificial intelligence and diagnosis in general practice
Nick Summerton, Br J Gen Pract, 2019
- Chest X-ray sensitivity and lung cancer outcomes: a retrospective observational study
Stephen H Bradley, Br J Gen Pract, 2021
- Application and Research Progress of Artificial Intelligence in Digital Pathological Image Analysis of Colorectal CancMedical Journal of Peking Union Medical College Hospital, 2022
- Application of Artificial Intelligence in Cardiopulmonary ResuscitationLIU Shuai, Medical Journal of Peking Union Medical College Hospital, 2023
- Application Status and Research Advances of Artificial Intelligence in Pancreatobiliary EndoscopyLAI Xinxiu, Medical Journal of Peking Union Medical College Hospital, 2023
Acknowledgments
The authors would like to express their gratitude to all GPs that bravely provided their pseudonymised routine care data. Without their kind cooperation, this project could never have happened. Besides the GPs, the authors also express their gratitude to the four departments of general practice of the participating university medical centres across the Netherlands running the general practice networks and databases: Julius General Practitioner’s Network database (Utrecht), Julius Center for Health Sciences and Primary Care, University Medical Centre Utrecht University, Utrecht (N Boekema-Bakker and M Kortekaas); Academic Network of General Practice database, Amsterdam UMC location Vrije Universiteit, Amsterdam (J Joosten and P Slottje); Academic General Practitioners Network Northern Netherlands, University Medical Center Groningen, University of Groningen, Groningen (F Groenhof and R Wilmink); and Academic general practitioners network, Amsterdam UMC location University of Amsterdam, Amsterdam (F van Nouhuys and J Bouman). Also, the registration team of the Netherlands Comprehensive Cancer Organisation and particularly H Bretveld, who prepared the data for linkage and provided additional data concerning the diagnostic time intervals.
Notes
Funding
Martijn C Schut, Torec T Luik, Kristel M van Asselt, and Charles W Helsper were funded by the Dutch Cancer Society (https://www.kwf.nl) Programme Research & Implementation call 2019-I (project number: 12225: AI-DOC). Torec T Luik received internal funding from the departments of Medical Informatics and General Practice of Amsterdam University Medical Center (UMC) location University of Amsterdam. The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript.
Ethical approval
Each of the four databases is run according to Dutch privacy legislation and contain pseudonymised general practice care data from all patients of the participating general practices, except for those patients who object to this. Observational studies based on depersonalised data from these databases are exempted from informed consent of patients.
Data
Data cannot be shared publicly because of patient confidentiality. Data are available from the research networks (AHA-AMC, Academic general practitioners network database, Amsterdam UMC location University of Amsterdam; AHON-UMCG, Academic General Practitioners Network Northern Netherlands database, University Medical Center Groningen, University of Groningen, Groningen, the Netherlands; JGPN-UMCU, Julius General Practitioner’s Network database, University Medical Centre Utrecht University, Utrecht, the Netherlands; and ANH-VUmc, Academic Network of General Practice database, Amsterdam UMC location Vrije Universiteit, Amsterdam, the Netherlands) for researchers who meet the criteria for access to confidential data.
Provenance
Freely submitted; externally peer reviewed.
Competing interests
The authors have declared no competing interests.
Contributors
Ameen Abu-Hanna and Henk CPM van Weert share senior authorship.
Discuss this article:
- Received August 19, 2024.
- Revision requested September 24, 2024.
- Accepted January 17, 2025.
- © The Authors
This article is Open Access: CC BY 4.0 licence (http://creativecommons.org/licences/by/4.0/).
References
Gerelateerde artikelen
- Kunstmatige Intelligentie - Artificial intelligence kan op basis van samenvoeging van specifieke symptomen uit medisch dossier van de huisarts longkanker maanden eerder voorspellen
- Overlevingsmodel op basis van ML = machine learning voorspelt beter dan klinische stadiëring het risico op een recidief bij beginnende operabele longkanker stadium I tot III
- Longkanker: Circulerend tumor-DNA (ctDNA) regelmatig meten en combineren met een weefselanalyse (biopt) geeft beduidend meer informatie over veranderde mutaties bij patiënten met uitgezaaide gevorderde kleincellige longkanker copy 1
- Bronchoscopie met Cone beam CT-scan live 3D-beelden maakt betere diagnose van longkanker mogelijk en veel patiënten met verdachte afwijkingen in de longen kunnen profiteren van deze nieuwe methode
- Total body MRI gevolgd door verdere specifieke diagnose van uitgezaaide longkanker leidt sneller tot behandelplan dan standaard diagnose (13 vs 19 dagen) en was de helft goedkoper.
- CTC's : meting van in bloed circulerende tumorcellen vooraf aan behandeling voorspelt effectiviteit van chemo en bestraling bij patienten met niet-kleincellige longkanker.
- Eenvoudige bloedtest (biomarkertest) op in bloed circulerende tumorcellen ziet half jaar eerder recidief of progressie van succesvol behandelde longkanker dan CT-scan of Pet-scan
- DNA test, FISH methode gericht op ALK genen, zou gerichtere behandelingen van longkanker mogelijk kunnen maken.
- CT-scan geeft 33 procent vals positieve resultaten bij longkanker en lijkt daarmee onbetrouwbaar als meetinstrument voor longkanker.
- EUS-FNA - endoscopic ultrasound guided fine needle aspiration biopsy voorkomt onnodige longoperaties door veel nauwkeuriger diagnose
- Archief: Vroegtijdige screening van longkanker lijkt geen effect te hebben op langere overlevingsduur.
- Diagnose en oorzaak van longkanker: een overzicht van artikelen en recente ontwikkelingen. Scroll in linkerkolom voor artikelen
Plaats een reactie ...
Reageer op "Kunstmatige Intelligentie - Artificial intelligence kan op basis van samenvoeging van specifieke symptomen uit medisch dossier van de huisarts longkanker maanden eerder voorspellen"