Longkankerscreening op maat met multidata voorspelmodellen

Health~Holland
afgerond

Onderzoekssamenvatting

Longkanker veroorzaakt veel sterfte in Nederland. Een CT-scan kan helpen om longkanker eerder op te sporen. Onderzoekers willen nu beter voorspellen wie echt baat heeft bij screening en wie niet, zodat minder mensen onnodig worden onderzocht.

Doel van het onderzoek

De onderzoekers willen risicomodellen maken die beter voorspellen:

  • wie een grotere kans heeft op longkanker
  • welke longnodules, kleine plekjes op de longen, verder onderzocht moeten worden
  • wie baat heeft bij screening en wie niet

Daarmee willen zij longkankerscreening gerichter maken en onnodig aanvullend onderzoek verminderen.

Waarom is dit onderzoek nodig?

Longkanker is een van de belangrijkste oorzaken van sterfte door kanker in Nederland. Uit de NELSON-studie blijkt dat CT-screening bij langdurig rokers de sterfte aan longkanker kan verlagen.

Toch heeft screening ook nadelen. Veel mensen worden onderzocht terwijl zij geen longkanker hebben en ook niet krijgen. Daarnaast moet een deel van de deelnemers extra onderzoek ondergaan na een CT-scan.

Het is nu nog lastig om goed te voorspellen welke langdurig rokers het meeste risico hebben op longkanker en genoeg levensverwachting hebben om van screening te profiteren. Daarom willen de onderzoekers de selectie verbeteren.

Ook willen ze het beleid bij longnodules verbeteren. Zo kan worden voorkomen dat mensen onnodig extra onderzoeken krijgen.

Hoe wordt dit onderzoek uitgevoerd?

De onderzoekers gebruiken gegevens uit de NELSON-studie en voegen daar nieuwe informatie aan toe.

Zij kijken naar drie soorten gegevens:

  • genetische informatie en gegevens over de omgeving, zoals luchtvervuiling
  • kunstmatige intelligentie die CT-scans helpt beoordelen van longnodules
  • metingen op CT-scans van andere ziekten die met roken samenhangen, zoals longemfyseem, verkalking van de kransslagaders en lage botdichtheid

Door deze gegevens te combineren, zoeken de onderzoekers naar kenmerken die het beste voorspellen wie longkanker krijgt en wie overleeft.

Daaruit maken zij modellen om te schatten wie screening nodig heeft en welke longnodules verder onderzocht moeten worden.

Wat levert dit onderzoek op?

De onderzoekers verwachten dat hun modellen helpen om longkankerscreening beter af te stemmen op het risico van de deelnemer.

Dat kan betekenen dat minder mensen onnodig worden opgeroepen voor screening en dat minder deelnemers extra onderzoek nodig hebben na een CT-scan.

Ook kan de beschikbare capaciteit voor onderzoek beter worden gebruikt voor mensen die er het meeste baat bij hebben.

Als de modellen goed werken, kunnen ze worden gebruikt in de Nederlandse praktijk en later ook worden getest in andere groepen.

Nieuws en resultaten

Juni 2026

De onderzoekers hebben onderzocht of kunstmatige intelligentie betrouwbaar en herhaalbaar kenmerken op CT-scans kan meten die verder gaan dan de longnodulen. Bij 1.436 deelnemers aan de NELSON-studie kwamen metingen van de aorta, kalk in de kransslagaders, botdichtheid en emfyseem bij herhaalde CT-scans goed tot uitstekend overeen.

Dit is een belangrijke stap voor het onderzoek naar persoonlijkere longkankerscreening. Als deze kenmerken met AI stabiel kunnen worden gemeten, kunnen ze mogelijk worden toegevoegd aan risicomodellen die bepalen wie het meeste baat heeft bij screening. Zo kan in de toekomst beter worden bepaald wie moet worden gescreend en wie mogelijk onnodige onderzoeken kan worden bespaard. De metingen moeten voorlopig nog wel worden gecontroleerd op fouten en verder worden onderzocht.

September 2025Het AI-model is getest op CT-gegevens uit 3 grote Europese screeningsstudies. Het presteerde aanzienlijk beter dan het huidige PanCan-model. Vooral bij middelgrote knobbeltjes (5–15 mm) gaf het model bijna 40% minder valse meldingen, terwijl alle kankers die binnen een jaar werden ontdekt werden gevonden. Dit kan onnodige extra onderzoeken en zorgen voor patiënten verminderen.