Agentic AI: veranderingen in oncologie van ontdekking tot remissie

Samenvatting

Agentic AI bestrijkt vijf oncologiestadia met systemen die over meerstapsworkflows redeneren, plannen en handelen.

Agentic AI in de oncologie: wat er gebeurt

De Snowflake-blog beschrijft hoe agentic AI wordt toegepast van onderzoek en ontdekking tot remissie en nazorg. Deze systemen beantwoorden niet alleen een vraag, maar plannen en voeren meerdere stappen uit zonder dat iemand elke stap afzonderlijk start.

De vijf stadia kennen elk een eigen dataprobleem. Onderzoeksteams werken met versnipperde moleculaire en genomische datasets. Screening combineert beeldvorming, biomarkers, EPD-gegevens en familiegeschiedenis. Diagnose en behandelplanning vragen vaak om handmatig samengestelde patiëntprofielen. Tijdens behandeling en zorgcoördinatie blijven multimodale gegevens verdeeld over locaties en systemen. Bij remissie en survivorship ontstaat bewijs soms pas jaren nadat de klinische beslissing is genomen.

Agentic AI en de datafundering: waarom dit belangrijk is

De beschreven aanpak verschuift de aandacht van alleen data verzamelen naar systemen die gegevens over het hele oncologische traject kunnen combineren. Het gaat om genomische sequenties, pathologiebeelden, ongestructureerde notities, declaratiegegevens en signalen van wearables. Die informatie krijgt pas betekenis in samenhang: een genomische variant vraagt om klinische context en een beeldvormingsbevinding om aanvullende patiëntinformatie.

Voor BI-professionals ligt hier een andere opgave dan bij traditionele rapportage. Traditionele AI geeft antwoord op een vraag; agentic AI werkt een proces met meerdere stappen af. Dat verschil maakt de onderliggende datafundering bepalend. Zonder een samenhangende structuur blijven analyses per stadium of systeem begrensd, terwijl beslissingen juist informatie uit meerdere bronnen vereisen.

De bron presenteert geen losse modelkeuze als oplossing. Governance van de datafundering vormt de voorwaarde voor systemen die over verschillende datatypen en werkprocessen redeneren.

Agentic AI: concrete takeaway

Breng bij een oncologisch AI-project eerst de vijf stadia en hun databronnen in kaart. Leg vast welke gegevens nodig zijn voor context, waar systemen die gegevens bewaren en welke stappen een agent zelfstandig mag uitvoeren. Begin dus niet met een modeldemo, maar met de verbinding tussen genomische data, beelden, notities, EPD-informatie en uitkomsten van nazorg.