Slimme software in de strijd tegen kanker: wat AI wél en niet kan doen in lage-inkomenslanden
Het is maandagochtend in een ziekenhuis in Kolkata. De wachtzaal van de radiotherapie-afdeling zit vol. Elke stoel is bezet, sommige patiënten staan recht. Sommigen komen van ver, anderen zijn al te laat.
In lage- en middeninkomenslanden (LMIC’s) zoals India, Zuid-Afrika of Jordanië is toegang tot kankerzorg verre van vanzelfsprekend. Radiotherapie, essentieel voor zowat de helft van alle kankerpatiënten, is vaak beperkt beschikbaar. De reden? Een tekort aan opgeleid personeel, complexe en dure technologie. Met als gevolg, lange wachttijden.
Technologie die, ironisch genoeg, misschien ook wel deel van de oplossing kan zijn.
In mijn masterproef onderzocht ik of artificiële intelligentie (AI) de toegang tot radiotherapie in LMIC’s kan verbeteren. Ik richtte me specifiek op een AI-tool die helpt bij de voorbereiding van bestralingsbehandelingen: de Radiotherapy Planning Assistant. Die software belooft automatisch tumoren te herkennen op medische beelden, en zo het werk van artsen en planners te versnellen.
Maar: maakt dat het ook goedkoper of toegankelijker? Het antwoord is genuanceerd.
Wat doet AI precies in radiotherapie?
Radiotherapie is een technisch complex en arbeidsintensief proces dat uit meerdere stappen bestaat: het maken van medische beelden om de tumor in kaart te brengen, het opstellen van een geïndividualiseerd behandelingsplan en kwaliteitscontrole tot de dagdagelijkse bestraling zelf. Eén van de meest tijdrovende onderdelen daarbij is het maken van dat persoonlijke bestralingsplan.
Voor elke patiënt moeten artsen en planners bepalen hoe de stralen gericht moeten worden om de tumor optimaal, en de organen minimaal te bestralen. Dat gebeurt op basis van medische beelden zoals CT- of MRI-scans en gespecialiseerde software.
Het is de Radiotherapy Planning Assistant die dit planningsproces deels automatiseert. Door te leren uit duizenden eerdere behandelingen, kan het systeem de contouren van tumoren aanduiden en het bestralingsplan opstellen. Dit zijn taken die anders manueel door artsen en radiotherapie planners gebeuren.
Hoe onderzocht ik dit?
Voor dit onderzoek werkte ik met gegevens uit de ARCHERY-studie, een internationaal project dat de haalbaarheid en impact van AI-gebaseerde radiotherapieplanning onderzoekt (meer info over deze studie is terug te vinden op : https://archery.mrcctu.ucl.ac.uk/ ). Voor deze thesis werden de verzamelde gegevens van de kosten- en werkstructuren van vier ziekenhuizen gebruikt uit de volgende landen: Jordanië, Maleisië, Zuid-Afrika en India.
Ik gebruikte het ESTRO-HERO TDABC-model (1) , een model dat gedetailleerd in kaart brengt hoeveel tijd en middelen elke stap in het zorgproces kost. Op basis van de data van deze ziekenhuizen bouwde ik aangepaste simulaties waarin ik specifieke tijdsreducties invoerde voor de planningsfase, namelijk een tijdsreductie van 70%, 80% en 90%, afhankelijk van het scenario.
Door het model te bewerken op tumor- en techniekniveau kon ik nauwkeurig inschatten hoe AI de personeelsbehoefte, de belasting op het planningssysteem en de kostenstructuur zou beïnvloeden.
Wat blijkt? AI kan het werk lichter maken, maar niet automatisch goedkoper.
De simulaties suggereren dat AI de werkdruk in de planningsfase aanzienlijk kan verlagen. Vooral planners zouden er baat bij hebben: in sommige centra komt dat neer op bijna een voltijdse medewerker minder. Ook het gebruik van het planningssysteem daalt in de modellen, waardoor er ruimte kan vrijkomen voor andere behandelingen.
Maar dat betekent niet automatisch dat de kosten ook dalen.
In radiotherapie blijven de grootste kostenposten, zoals bestralingstoestellen, vaste personeelslonen en onderhoud, grotendeels onveranderd. Of een behandeling nu sneller gepland wordt of niet: die structurele uitgaven blijven bestaan. Als ziekenhuizen de vrijgekomen tijd niet gebruiken om méér patiënten te behandelen, verandert er financieel weinig tot niets.
De simulaties tonen dat echte efficiëntiewinst pas mogelijk wordt wanneer AI op grote schaal wordt toegepast én het ziekenhuis beschikt over voldoende infrastructuur om die efficiëntie ook te benutten. In dat scenario kan de behandelingscapaciteit stijgen: er kunnen meer patiënten geholpen worden met dezelfde middelen. Daar zit het potentieel van AI, als onderdeel van een bredere systeemaanpak.
Eén tool, vier centra, vier verhalen.
Wat me het meest opviel in de resultaten? De enorme verschillen tussen de ziekenhuizen. De voordelen van AI zijn namelijk niet universeel, maar afhankelijk van de bestaande werking en knelpunten van elk ziekenhuis.
In sommige centra zorgde de tijdwinst in de planningsfase voor merkbare verlichting van de werkdruk. In andere bleef de bottleneck elders in het systeem zitten, bijvoorbeeld bij de beschikbaarheid van apparatuur of personeel voor de eigenlijke behandeling. In die gevallen had de inzet van AI nauwelijks effect op de capaciteit of de kosten.
De simulaties maken duidelijk dat AI geen kant-en-klare oplossing is die overal hetzelfde resultaat oplevert. De meerwaarde van AI hangt af van waar het schoentje knelt. Wie AI wil implementeren in radiotherapie, zal dus eerst goed moeten analyseren waar in het zorgproces er ruimte is voor verbetering, en of het systeem sterk genoeg is om de voordelen ook echt te benutten.
Wat betekent dit voor de toekomst?
Voor beleidsmakers, ziekenhuizen en ngo’s die investeren in wereldwijde gezondheidszorg, is dat cruciale informatie. AI heeft potentieel, maar het moet doordacht worden ingezet. In een goed uitgerust ziekenhuis kan de technologie zorgen voor een hogere behandelingscapaciteit, wat vooral een meerwaarde biedt wanneer er wachtlijsten zijn. In andere centra zorgt ze vooral voor ontlasting van personeel, ook waardevol, maar niet noodzakelijk kostenbesparend, wél met potentiële meerwaarde voor de patiënt.
Wat je dus vooral nodig hebt, is een totaalvisie: AI én infrastructuur én opgeleid personeel én beleid.
Bovendien: deze studie baseert zich op modellen en simulaties. De echte wereld is rommeliger. Hoe AI zich in de praktijk gedraagt, in wisselende omstandigheden, met echte patiënten en onverwachte situaties, dat blijft voer voor verder onderzoek.
Kanker kent geen grenzen. Technologie mag dat ook niet doen.
Radiotherapie is duur, complex en veeleisend maar ook levensreddend. In veel landen blijft die zorg vandaag een privilege. Technologische innovaties zoals AI bieden kansen om dat te veranderen, maar enkel als ze ingebed worden in een systeem dat mensen en middelen op elkaar afstemt.
Mijn onderzoek toont aan dat we met AI sneller en efficiënter kunnen werken. Maar dat is niet genoeg. Zonder extra infrastructuur of goed opgeleid personeel of correcte beleidskeuze blijft het potentieel beperkt.
(1)ESTRO-HERO TDABC-model staat voor European Society for Radiotherapy and Oncology – Health Economics in Radiation Oncology, Time-Driven Activity-Based Costing. Het is een rekenmodel dat de volledige workflow van radiotherapie in kaart brengt en per stap de benodigde tijd, middelen en kosten berekent. Het wordt internationaal gebruikt om kostenstructuren en efficiëntie in radiotherapiecentra te analyseren en te vergelijken.
Bibliografie
InforEuro, the exchange rate of the Euro currency. URL https://commission.europa.eu/fundingtenders/procedures-guidelines-tenders/information-contractors-and-beneficiaries/ exchange-rate-inforeuro_en. May Abdel-Wahab, Soehartati S. Gondhowiardjo, Arthur Accioly Rosa, Yolande Lievens, Noura El-Haj, Jose Alfredo Polo Rubio, Gregorius Ben Prajogi, Herdis Helgadottir, Eduardo Zubizarreta, Ahmed Meghzifene, Varisha Ashraf, Stephen Hahn, Tim Williams, and Mary Gospodarowicz. Global Radiotherapy: Current Status and Future Directions—White Paper. JCO Global Oncology, (7):827–842, 6 2021. doi: 10.1200/go.21.00029. URL https: //doi.org/10.1200/go.21.00029. International Atomic Energy Agency. Optimized Radiotherapy Approach Could Extend Treatment to 2.2 Million More Cancer Patients, IAEA Co-authored Report Finds. 9 2024. URL https://www.iaea.org/newscenter/pressreleases/optimized-radiotherapy-ap…extend-treatment-to-22-million-more-cancer-patients-iaea-co-authored-report-finds#:~: text=Implementing%20hypofractionation%20%E2%80%93%20fewer%20but%20higher, Lancet%20Oncology%20Commission%20led%20by. Ajay Aggarwal, Laurence Edward Court, Peter Hoskin, Isabella Jacques, Mariana Kroiss, Sarbani Laskar, Yolande Lievens, Indranil Mallick, Rozita Abdul Malik, Elizabeth Miles, Issa Mohamad, Claire Murphy, Matthew Nankivell, Jeannette Parkes, Mahesh Parmar, Carol Roach, Hannah Simonds, Julie Torode, Barbara Vanderstraeten, and Ruth Langley. ARCHERY: a prospective observational study of artificial intelligence-based radiotherapy treatment planning for cervical, head and neck and prostate cancer – study protocol. BMJ Open, 13 (12):e077253, 12 2023. doi: 10.1136/bmjopen-2023-077253. URL https://doi.org/10.1136/ bmjopen-2023-077253. Asma Amjad, Jiaofeng Xu, Dan Thill, Colleen Lawton, William Hall, Musaddiq J. Awan, Monica Shukla, Beth A. Erickson, and X. Allen Li. General and custom deep learning autosegmentation models for organs in head and neck, abdomen, and male pelvis. Medical Physics, 49 (3):1686–1700, 1 2022. doi: 10.1002/mp.15507. URL https://doi.org/10.1002/mp.15507. Chidinma P. Anakwenze, Atara Ntekim, Bruce Trock, Iyobosa B. Uwadiae, and Brandi R. Page. Barriers to radiotherapy access at the University College Hospital in Ibadan, Nigeria. Clinical and Translational Radiation Oncology, 5:1–5, 6 2017. doi: 10.1016/j.ctro.2017.05.003. URL https://doi.org/10.1016/j.ctro.2017.05.003. Heleen Bollen, Julie Van Der Veen, Annouschka Laenen, and Sandra Nuyts. Recurrence Patterns After IMRT/VMAT in Head and Neck Cancer. Frontiers in Oncology, 11, 9 2021. doi: 10.3389/fonc.2021.720052. URL https://doi.org/10.3389/fonc.2021.720052. 79 8 Bibliography C. L. Brouwer, A. M. Dinkla, L. Vandewinckele, W. Crijns, M. Claessens, D. Verellen, and W. v. Elmpt. Machine learning applications in radiation oncology: current use and needs to support clinical implementation. Physics and Imaging in Radiation Oncology, 16:144–148, 2020. doi: 10.1016/j.phro.2020.11.002. Hwa Kyung Byun, Jee Suk Chang, Min Seo Choi, Jaehee Chun, Jinhong Jung, Chiyoung Jeong, Jin Sung Kim, Yongjin Chang, Seung Yeun Chung, Seungryul Lee, and Yong Bae Kim. Evaluation of deep learning-based autosegmentation in breast cancer radiotherapy. Radiation Oncology, 16(1), 10 2021. doi: 10.1186/s13014-021-01923-1. URL https://doi.org/10.1186/ s13014-021-01923-1. Dylan Callens, Ciaran Malone, Antony Carver, Christian Fiandra, Mark J Gooding, Stine S Korreman, Joana Matos Dias, Richard A Popple, Humberto Rocha, Wouter Crijns, and Carlos E Cardenas. Is full-automation in radiotherapy treatment planning ready for take off? Radiotherapy and Oncology, 201:110546, 9 2024. doi: 10.1016/j.radonc.2024.110546. URL https://doi.org/10.1016/j.radonc.2024.110546. Arlene Campos. 3D conformal radiation therapy, 10 2024. URL https://radiopaedia.org/ articles/3d-conformal-radiation-therapy?lang=us#:~:text=3D%20conformal%20radiation% 20therapy%20%283D,tumor%20and%20organs%20at%20risk. Sadia Choudhery, Amber L Hanson, Jessica A Stellmaker, Jaysen Ness, Linda Chida, Amy Lynn Conners, and Rochester MN USA Department of Radiology, Mayo Clinic. Basics of timedriven activity-based costing (TDABC) and applications in breast imaging. Br J Radiol, 94: 20201138, 2021. URL https://doi.org/10.1259/bjr.20201138. Laurence E. Court, Kelly Kisling, Rachel McCarroll, Lifei Zhang, Jinzhong Yang, Hannah Simonds, Monique Du Toit, Chris Trauernicht, Hester Burger, Jeannette Parkes, Mike Mejia, Maureen Bojador, Peter Balter, Daniela Branco, Angela Steinmann, Garrett Baltz, Skylar Gay, Brian Anderson, Carlos Cardenas, Anuja Jhingran, Simona Shaitelman, Oliver Bogler, Kathleen Schmeller, David Followill, Rebecca Howell, Christopher Nelson, Christine Peterson, and Beth Beadle. Radiation Planning Assistant - a streamlined, fully automated radiotherapy treatment planning system. Journal of Visualized Experiments, (134), 4 2018. doi: 10.3791/57411. URL https://doi.org/10.3791/57411. Laurence E. Court, Ajay Aggarwal, Anuja Jhingran, Komeela Naidoo, Tucker Netherton, Adenike Olanrewaju, Christine Peterson, Jeannette Parkes, Hannah Simonds, Christoph Trauernicht, Lifei Zhang, Beth M. Beadle, Shareen Ahmad, David Anderson, Arjig Baghwala, Karen Chan, Prajnan Das, Albert Edwards, May Elbanna, Hesham Elhalawani, Medhat Elsayed, Agnes Ewongwo, Nazia Fakie, C. David Fuller, and et al. Garden. Artificial Intelligence–Based Radiotherapy Contouring and Planning to Improve Global Access 80 8 Bibliography to Cancer Care. JCO Global Oncology, (10), 3 2024. doi: 10.1200/go.23.00376. URL https://doi.org/10.1200/go.23.00376. Yifan Cui, Hidetaka Arimura, Takahiro Yoshitake, et al. Deep learning model fusion improves lung tumor segmentation accuracy across variable training-to-test dataset ratios. Physical and Engineering Sciences in Medicine, 46:1271–1285, 2023. doi: 10.1007/s13246-023- 01295-8. URL https://doi.org/10.1007/s13246-023-01295-8. Geert De Kerf, Ana Barragán-Montero, Charlotte L Brouwer, Pietro Pisciotta, Marie-Claude Biston, Marco Fusella, Geoffroy Herbin, Esther Kneepkens, Livia Marrazzo, Joshua Mason, Camila Panduro Nielsen, Koen Snijders, Stephanie Tanadini-Lang, Aude Vaandering, and Tomas M Janssen. Multicentre prospective risk analysis of the fully automated radiotherapy workflow. Physics and Imaging in Radiation Oncology, 34:100765, 4 2025. doi: 10.1016/j. phro.2025.100765. URL https://doi.org/10.1016/j.phro.2025.100765. Noemie Defourny, Lionel Perrier, Josep-Maria Borras, Mary Coffey, Julietta Corral, Sophie Hoozée, Judith Van Loon, Cai Grau, and Yolande Lievens. National costs and resource requirements of external beam radiotherapy: A time-driven activity-based costing model from the ESTRO-HERO project. Radiotherapy and Oncology, 138:187–194, 7 2019. doi: 10.1016/j.radonc.2019.06.015. URL https://doi.org/10.1016/j.radonc.2019.06.015. Noémie Defourny, Peter Dunscombe, Lionel Perrier, Cai Grau, and Yolande Lievens. Cost evaluations of radiotherapy: What do we know? An ESTRO-HERO analysis. Radiotherapy and Oncology, 121(3):468–474, 12 2016. doi: 10.1016/j.radonc.2016.12.002. URL https: //doi.org/10.1016/j.radonc.2016.12.002. Noémie Defourny, Sophie Hoozée, Jean-François Daisne, and Yolande Lievens. Developing time-driven activity-based costing at the national level to support policy recommendations for radiation oncology in Belgium. Journal of Accounting and Public Policy, 42(1):107013, 8 2022. doi: 10.1016/j.jaccpubpol.2022.107013. URL https://doi.org/10.1016/j.jaccpubpol. 2022.107013. G. P. Delaney and M. B. Barton. Evidence-based estimates of the demand for radiotherapy. Clinical Oncology, 27(2):70–76, 2015. doi: 10.1016/j.clon.2014.10.002. Geoff Delaney, Susannah Jacob, Carolyn Featherstone, and Michael Barton. The role of radiotherapy in cancer treatment. Cancer, 104(6):1129–1137, 8 2005. doi: 10.1002/cncr.21324. URL https://doi.org/10.1002/cncr.21324. S. Devicienti, L. Strigari, M. D’Andrea, M. Benassi, V. Dimiccoli, and M. Portaluri. Patient positioning in the proton radiotherapy era. Journal of Experimental Clinical Cancer Research, 29, 2010. doi: 10.1186/1756-9966-29-47. 81 8 Bibliography J. Dewhurst, M. Lowe, M. Hardy, C. Boylan, P. Whitehurst, and C. Rowbottom. Autolock: a semiautomated system for radiotherapy treatment plan quality control. Journal of Applied Clinical Medical Physics, 16:339–350, 2015. doi: 10.1120/jacmp.v16i3.5396. Anushikha Dhankhar, Ranjeeta Kumari, and Yogesh Bahurupi. Out-of-Pocket, Catastrophic Health Expenditure and Distress Financing on Non-Communicable Diseases in India: A Systematic Review with Meta-Analysis. Asian Pacific Journal of Cancer Prevention, 22(3):671– 680, 3 2021. doi: 10.31557/apjcp.2021.22.3.671. URL https://doi.org/10.31557/apjcp.2021. 22.3.671. Cai Grau, Noémie Defourny, Julian Malicki, Peter Dunscombe, and Yolande Lievens. Radiotherapy equipment and departments in the european countries: Final results from the estro-hero survey. Radiotherapy and Oncology, 128(3):312–319, 2018. Surbhi Grover, Melody J. Xu, Alyssa Yeager, Lori Rosman, Reinou S. Groen, Smita Chackungal, Danielle Rodin, Margaret Mangaali, Sommer Nurkic, Annemarie Fernandes, Lilie L. Lin, Gillian Thomas, and Ana I. Tergas. A Systematic Review of Radiotherapy Capacity in Lowand Middle-Income Countries. Frontiers in Oncology, 4, 1 2015. doi: 10.3389/fonc.2014. 00380. URL https://doi.org/10.3389/fonc.2014.00380. Eric J Hall and Cheng-Shie Wuu. Radiation-induced second cancers: the impact of 3D-CRT and IMRT. International Journal of Radiation Oncology*Biology*Physics, 56(1):83–88, 4 2003. doi: 10.1016/s0360-3016(03)00073-7. URL https://doi.org/10.1016/s0360-3016(03)00073- 7. S. J. Henley, N. F. Dowling, F. B. Ahmad, T. D. Ellington, M. Wu, and L. C. Richardson. Covid19 and other underlying causes of cancer deaths — united states, january 2018–july 2022. MMWR. Morbidity and Mortality Weekly Report, 71:1583–1588, 2022. doi: 10.15585/mmwr. mm7150a3. Nur Diyana Afrina Hizam, Ngie Min Ung, Wei Loong Jong, Hafiz Mohd Zin, Ahmad Taufek Abdul Rahman, Jasmin Pei Yuin Loh, and Kwan Hoong Ng. Medical physics aspects of IntensityModulated Radiotherapy practice in Malaysia. Physica Medica, 67:34–39, 10 2019. doi: 10.1016/j.ejmp.2019.10.023. URL https://doi.org/10.1016/j.ejmp.2019.10.023. Thea Hope-Johnson, Jeannette Parkes, Gregorius B. Prajogi, Richard Sullivan, Verna Vanderpuye, and Ajay Aggarwal. Strengthening Capacity in Radiotherapy Skills to Deliver HighQuality Treatments in Low- and Middle-Income Countries: A Qualitative Study. International Journal of Radiation Oncology*Biology*Physics, 11 2024. doi: 10.1016/j.ijrobp.2024.10.005. URL https://doi.org/10.1016/j.ijrobp.2024.10.005. S M Hasibul Hoque, Giovanni Pirrone, Fabio Matrone, Alessandra Donofrio, Giuseppe Fanetti, Angela Caroli, Rahnuma Shahrin Rista, Roberto Bortolus, Michele Avanzo, Annalisa Drigo, 82 8 Bibliography and Paola Chiovati. Clinical Use of a Commercial Artificial Intelligence-Based Software for Autocontouring in Radiation Therapy: Geometric Performance and Dosimetric Impact. Cancers, 15(24):5735, 12 2023. doi: 10.3390/cancers15245735. URL https://doi.org/10.3390/ cancers15245735. Y. Hu, H. Nguyen, C. Smith, T. Chen, M. Byrne, B. Archibald
