Medi­data, een doch­ter­on­der­ne­ming van Dassault Systemes, zet kunst­ma­tige intel­li­gentie zwaarder in om medi­sche beeld­vor­ming binnen klini­sche studies sneller en betrouw­baarder te verwerken. Het bedrijf presen­teerde tijdens ASCO 2026 een vernieuwde AI-gestuurde imaging-oplos­sing binnen de Medi­data Data Expe­rience. Die omge­ving verbindt verschil­lende stappen in de klini­sche data­cy­clus en moet vooral bij onco­lo­gisch onder­zoek helpen om vertra­gingen en fouten in het beeld­vor­mings­proces terug te dringen.

Beeld­vor­ming speelt een cruciale rol in klini­sche studies naar kanker­the­ra­pieën. In veel onco­lo­gi­sche onder­zoeken is tumor­pro­gressie een belang­rijke maat­staf om vast te stellen of een behan­de­ling aanslaat. Dat maakt medi­sche scans niet alleen een onder­steu­nend hulp­middel, maar vaak een door­slag­ge­vend bewijs­stuk in de beoor­de­ling van de effec­ti­vi­teit van een therapie. Tege­lijk is juist dit onder­deel van klinisch onder­zoek gevoelig voor vertra­ging: beelden moeten worden gecon­tro­leerd, persoons­ge­ge­vens moeten worden verwij­derd en de kwali­teit van scans moet voldoen aan strikte onder­zoeks­cri­teria.

Medi­data probeert dat proces nu verder te auto­ma­ti­seren met AI. De vernieuwde Medi­data Imaging-oplos­sing gebruikt onder meer algo­ritmen voor auto­ma­ti­sche tekst­de­tectie, anato­mi­sche veri­fi­catie en kwali­teits­con­trole. Volgens het bedrijf kan het afschermen van beschermde gezond­heids­in­for­matie hier­door 32 procent sneller verlopen. Dat is rele­vant omdat medi­sche beelden vaak tekstuele gege­vens bevatten die naar een patiënt kunnen verwijzen. Tot nu toe vraagt het verwij­deren of afschermen van zulke infor­matie vaak hand­matig werk, wat tijd kost en fout­ge­voelig kan zijn.

Een ander belang­rijk onder­deel is anato­mi­sche veri­fi­catie. AI-algo­ritmen contro­leren of het juiste lichaams­deel of de juiste anato­mi­sche regio in beeld is gebracht. Medi­data claimt daarbij een nauw­keu­rig­heid van meer dan 97 procent. In klini­sche studies is dat van belang omdat afwij­kingen in beeld­vor­ming pas laat in het proces kunnen worden ontdekt. Een scan die niet aan de eisen voldoet, kan opnieuw moeten worden gemaakt of kan de beoor­de­ling van onder­zoeks­data vertragen.

Daar­naast werkt Medi­data aan zoge­noemde patient simi­la­rity-controles. Die moeten binnen enkele minuten kunnen vast­stellen of een scan waar­schijn­lijk bij de juiste patiënt hoort, of contrast­middel correct is gebruikt en of het gezichts­veld van de scan voldoet aan de onder­zoeks­opzet. Zulke controles kunnen onder­zoeks­teams sneller waar­schuwen wanneer er iets misgaat. Daar­door kunnen problemen moge­lijk al worden opge­lost voordat ze verderop in de studie tot vertra­ging of extra kosten leiden.

De aankon­di­ging laat zien hoe AI in klinisch onder­zoek steeds vaker wordt ingezet voor proces­ver­be­te­ring, niet alleen voor spec­ta­cu­laire toepas­singen zoals het ontdekken van nieuwe medi­cijnen. In dit geval ligt de nadruk op nauw­keu­rig­heid, snel­heid en kwali­teits­be­wa­king binnen bestaande onder­zoeks­pro­cessen. AI fungeert daarbij als extra contro­le­laag bovenop de work­flow van onder­zoe­kers, zieken­huizen en klini­sche onder­zoeks­teams.

Volgens Wayne Walker, senior vice presi­dent Data Expe­rience bij Medi­data, wordt AI binnen het bedrijf ingebed als een funda­men­teel onder­deel van de klini­sche data­keten. Hij wijst erop dat beeld­vor­ming bij onco­lo­gi­sche studies vaak het objec­tieve bewijs levert dat nodig is om de werking van een behan­de­ling te beoor­delen. Door AI dieper in de Data Expe­rience te verwerken, wil Medi­data de verwer­king van klini­sche data versnellen en daarmee ook de ontwik­ke­ling van nieuwe behan­de­lingen onder­steunen.

Medi­data plaatst de imaging-oplos­sing boven­dien in een bredere AI-stra­tegie. Het bedrijf zegt verder te inves­teren in nieuwe func­ties voor beeld­ge­stuurde klini­sche studies. Voor volgend jaar staan onder meer verbe­terde tumor­de­tectie, een speci­a­lis­ti­sche gebrui­kers­in­ter­face en eenvou­di­gere over­dracht van beelden op de plan­ning. Daarbij wil Medi­data gebruik­maken van zijn bestaande netwerk van meer dan 1.000 Ameri­kaanse zieken­huizen.

Die ontwik­ke­ling is vooral inte­res­sant omdat klini­sche studies steeds complexer worden. Nieuwe kanker­the­ra­pieën vragen vaak om nauw­keu­rige, herhaal­bare en goed gedo­cu­men­teerde beeld­vor­ming. Tege­lijk staan onder­zoeks­centra onder druk om studies sneller uit te voeren en pati­ënten eerder toegang te geven tot veel­be­lo­vende behan­de­lingen. AI kan in dat krach­ten­veld helpen door routi­ne­ma­tige controles te versnellen en afwij­kingen eerder zicht­baar te maken.

De inzet van AI bete­kent niet dat de mense­lijke beoor­de­ling verdwijnt. In klini­sche studies blijven radio­logen, onder­zoe­kers en gespe­ci­a­li­seerde beoor­de­laars nodig om medi­sche conclu­sies te trekken. De meer­waarde zit vooral in het auto­ma­ti­seren van voor­be­rei­dende en contro­le­rende stappen. Daar­door kunnen experts zich richten op de inhou­de­lijke inter­pre­tatie van beelden, terwijl het systeem helpt om fouten, ontbre­kende infor­matie of kwali­teits­pro­blemen eerder te signa­leren.

Medi­data bena­drukt dat de vernieuwde imaging-oplos­sing is ontwik­keld op basis van bestaande AI-tech­no­logie en feed­back van klini­sche studie­teams. Dat is een belang­rijk detail, omdat AI in de zorg alleen bruik­baar is wanneer de tech­no­logie aansluit op de dage­lijkse prak­tijk van onder­zoeks­lo­ca­ties. Een algo­ritme dat tech­nisch goed werkt, maar niet past in de work­flow van zieken­huizen en onder­zoeks­or­ga­ni­sa­ties, levert in de prak­tijk weinig winst op.

Met de intro­ductie van de vernieuwde oplos­sing posi­ti­o­neert Medi­data AI nadruk­ke­lijk als versneller van klinisch onder­zoek. Niet door het onder­zoek volledig te auto­ma­ti­seren, maar door knel­punten in data­ver­wer­king, kwali­teits­con­trole en beeld­over­dracht te verkleinen. Juist in onco­logie, waar beeld­vor­ming vaak centraal staat in de beoor­de­ling van een behan­de­ling, kan dat verschil maken in de door­loop­tijd van studies.

Daarmee past de aankon­di­ging in een bredere trend: AI verschuift in de medi­sche onder­zoeks­we­reld van expe­ri­men­tele belofte naar concrete toepas­sing in opera­ti­o­nele processen. De tech­no­logie wordt ingezet om data schoner, sneller en consis­tenter beschik­baar te maken. Voor klini­sche studies kan dat uitein­de­lijk bete­kenen dat onder­zoeks­re­sul­taten sneller beschik­baar komen en nieuwe thera­pieën eerder de stap naar de markt kunnen zetten.