Medicijnontwikkeling kan veel sneller en veiliger met een programmeerbare virtuele mens. Zo past dit in de AI-agenda van de Nederlandse zorg.
Waarom een programmeerbare virtuele mens nú relevant is
Een nieuw medicijn naar de markt brengen duurt gemiddeld 10 tot 15 jaar, kost meer dan een miljard euro en gaat in meer dan 90% van de gevallen mis tijdens de ontwikkelfase. Terwijl de zorg in Nederland kreunt onder personeelstekorten, stijgende kosten en vergrijzing, kunnen we ons dat eigenlijk niet meer permitteren.
Dit raakt direct aan waar de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg” over gaat: slimmer werken met data en kunstmatige intelligentie, zodat zorgprofessionals meer tijd hebben voor patiënten in plaats van voor administratieve of repetitieve processen. Medicijnontwikkeling lijkt misschien ver van de spreekkamer, maar heeft enorme impact op beschikbaarheid van behandelingen, wachttijden en zorgkosten.
In deze blog zoomen we in op een fascinerend concept dat recent in de wetenschappelijke literatuur verscheen: de programmeerbare virtuele mens. Een digitaal mensmodel dat met behulp van AI kan voorspellen hoe een nieuw medicijn reageert in het volledige menselijk lichaam. Geen sciencefiction, maar een logische volgende stap op bestaande ontwikkelingen zoals digitale tweelingen en organ-on-a-chip.
Wat is een programmeerbare virtuele mens precies?
Een programmeerbare virtuele mens is een uitgebreid digitaal model van het menselijk lichaam dat:
- is opgebouwd uit meerdere lagen (DNA, RNA, eiwitten, cellen, organen, klinische parameters);
- gevoed wordt met enorme hoeveelheden data uit biomedisch onderzoek en zorgpraktijk;
- gebruikmaakt van AI-modellen om te voorspellen wat er gebeurt als je een nieuwe stof (een kandidaat-medicijn) in dat lichaam brengt.
Waar een klassieke digitale tweeling vooral leert van bestaande patiënten- en medicijngegevens, gaat dit concept een stap verder: het moet ook volledig nieuwe stoffen kunnen doorrekenen, nog vóór er getest wordt op dieren of mensen.
De kern: niet één eiwit of één gen centraal stellen, maar het hele systeem – het volledige netwerk van biologische processen – modelleren.
Voor complexe aandoeningen zoals Alzheimer, Parkinson, depressie of auto-immuunziekten is dat essentieel. Daar kun je simpelweg niet meer doen alsof er één “uit-knop” is die alles oplost.
Waarom de huidige medicijnontwikkeling vastloopt
De traditionele R&D-aanpak in de farmacie is vooral lineair en smal:
- Kies één doelwit (bijvoorbeeld een eiwit dat een rol speelt bij een ziekte).
- Ontwerp moleculen die hieraan binden.
- Test in reageerbuizen en diermodellen.
- Ga – als het er veelbelovend uitziet – naar klinische trials in mensen.
Het probleem:
- Diermodellen lijken vaak niet goed genoeg op de menselijke biologie.
- Vroege testen focussen op één gen of eiwit, terwijl het lichaam een enorm netwerk is.
- Bijwerkingen en onverwachte interacties komen pas heel laat in beeld, soms pas in fase 3-trials.
Gevolg: enorme verspilling van tijd, geld en menskracht. En patiënten wachten intussen jaren op betere behandelingen.
De onderzoekers You Wu en Lei Xie (Northeastern University) zeggen daarom eigenlijk: we moeten stoppen met vooral lokale optimalisatie (één target) en overstappen naar systeemdenken in medicijnontwikkeling.
Hoe werkt zo’n virtuele mens technisch gezien?
De programmeerbare virtuele mens combineert verschillende soorten modellen:
- Fysische modellen: hoe verspreidt een stof zich door het lichaam? Denk aan bloedstroom, verdeling over organen, afbraak in lever en nieren.
- Biologische modellen: hoe reageert de stof op moleculair niveau met DNA, RNA, eiwitten en metabole routes?
- Klinische modellen: welke veranderingen zie je uiteindelijk in bloedwaarden, bloeddruk, hartslag, cognitieve functies, symptomen, etc.?
- AI-modellen: deep learning en andere algoritmen die patronen leren uit grote datasets (bijvoorbeeld uit klinische studies, biobanken, genetische studies, real-world data uit EPD’s).
Door deze lagen te koppelen ontstaat een platform dat kan ‘redeneren’ over meerdere niveaus tegelijk. Je kunt dan bijvoorbeeld vragen:
- Wat gebeurt er met het hartritme als ik deze stof toedien aan een virtuele patiënt met bestaande hartritmestoornissen?
- Hoe verandert de ontstekingsreactie bij een virtuele patiënt met reuma als ik dosering X of Y kies?
- Welke combinaties van medicijnen geven in dit virtuele model een te hoog risico op leverproblemen?
In plaats van achteraf bijwerkingen te ontdekken, kun je ze vroegtijdig simuleren.
De link met AI in de Nederlandse zorgpraktijk
Voor Nederlandse zorgorganisaties klinkt dit misschien nog wat ver van het bed. Toch past de programmeerbare virtuele mens naadloos in de bredere trend van AI in de zorg die we in Nederland al zien:
- Ziekenhuizen gebruiken AI om no-shows te voorspellen, zodat spreekuren efficiënter worden.
- Radiologie en pathologie zetten AI in om beelden te analyseren, waardoor diagnoses sneller en consistenter worden.
- Organ-on-a-chip en 3D-modellen uit Nederlandse onderzoeksinstituten versnellen al het preklinisch onderzoek.
De programmeerbare virtuele mens is in feite de logische volgende laag bovenop al die ontwikkelingen. Waar nu vaak nog per orgaan, per dataset of per ziekte wordt gewerkt, schuift dit concept naar integraal modelleren van de hele mens.
Voor Nederland, met sterke spelers als UMC’s, TNO, universiteiten en een groeiend ecosysteem rond zorgdata (zoals CumuluZ, Nictiz, VWS), ligt hier een kans om mee te bouwen aan zulke modellen. Niet alleen wetenschappelijk, maar ook in concrete zorgketens zoals oncologie, neurologie en zeldzame ziekten.
Minder mislukte trials, meer kansrijke medicijnen
Het grootste voordeel van een programmeerbare virtuele mens is helder: minder verspilling in het ontwikkeltraject.
Een aantal directe effecten:
- Snellere go/no-go-beslissingen: kandidaten die in de virtuele mens duidelijk ongunstig scoren (bijvoorbeeld door forse bijwerkingsprofielen) hoeven niet meer de dure klinische fase in.
- Betere doseringskeuze: door te simuleren kun je al voor de eerste humane studies inschatten welke doseringsrange veilig en effectief is.
- Gerichtere patiëntselectie: je kunt virtuele populaties modelleren met verschillende genetische achtergronden, comorbiditeit en medicatiegebruik.
Als het lukt om het aantal mislukte trials zelfs maar met 20-30% te verlagen, heeft dat enorme impact op:
- de kosten van geneesmiddelen;
- de snelheid waarmee innovaties beschikbaar komen;
- de risico’s voor proefpersonen in vroege fasen.
Ja, er zijn nog grote uitdagingen (datakwaliteit, modelvalidatie, regulering), maar de richting vind ik persoonlijk onvermijdelijk. De huidige manier van ontwikkelen is simpelweg te traag en te duur voor de zorgvraag van 2030 en verder.
AI als copiloot: hoe dit aansluit bij bestaand werk
De visie van de programmeerbare virtuele mens sluit direct aan bij wat experts zoals hoogleraar AI en medicinale chemie Gerard van Westen al jaren zeggen: AI moet een copiloot worden in medicijnontwikkeling.
Zijn aanpak draait om twee pijlers:
- Ideeëngeneratie: AI-modellen verkennen miljoenen tot miljarden mogelijke moleculen en stellen nieuwe kandidaten voor.
- Digitale filters: algoritmen schiften ongeschikte kandidaten eruit op basis van o.a. toxiciteit, oplosbaarheid, stabiliteit en interacties.
Een programmeerbare virtuele mens voegt daar een extra laag bovenop:
- Niet alleen checken of een molecuul chemisch plausibel is, maar zien wat het doet in een gesimuleerd lichaam.
- Niet alleen kijken naar één target, maar naar het hele netwerk van processen.
Je krijgt daarmee een soort tandem:
- AI in de chemie genereert en filtert moleculen.
- AI in de biologie/kliniek (de virtuele mens) voorspelt systeemreacties.
Resultaat: een veel kleiner, maar veel kansrijker setje kandidaten dat naar het lab en later naar de kliniek gaat.
Wat betekent dit concreet voor Nederlandse zorgorganisaties?
Je hoeft geen farmaceutisch bedrijf te zijn om hier iets mee te kunnen. Voor Nederlandse ziekenhuizen, UMC’s en zorgnetwerken zie ik drie concrete lijnen:
1. Meedoen aan data-ecosystemen
Een programmeerbare virtuele mens valt of staat met goede, representatieve data. Nederlandse zorginstellingen kunnen:
- deelnemen aan veilige data-samenwerkingen en onderzoeksconsortia;
- EPD-data beter structureren (FAIR-principes) zodat die bruikbaar worden voor onderzoek;
- meedenken over welke uitkomstmaten en patiëntgroepen relevant zijn.
2. Klinische expertise inbrengen
Geen enkel AI-model vervangt klinische ervaring. Artsen, apothekers en onderzoekers hebben een cruciale rol om:
- te bepalen welke scenario’s gesimuleerd moeten worden;
- uitkomsten uit virtuele modellen te toetsen aan de praktijk;
- te helpen definiëren wanneer een model voldoende betrouwbaar is voor gebruik in besluitvorming.
3. Voorbereiden op nieuwe vormen van onderzoek
Als virtuele patiënten steeds vaker gebruikt gaan worden in regulatoire trajecten, verandert ook de manier waarop ziekenhuizen aan onderzoek deelnemen. Denk aan:
- hybride trials waarin virtuele en echte cohorten gecombineerd worden;
- snellere feasibility-studies op basis van gesimuleerde populaties;
- nieuwe rollen voor data scientists en klinisch informatici in onderzoeksafdelingen.
Zorgorganisaties die nu al ervaring opdoen met AI in de kliniek – bijvoorbeeld met voorspellende modellen voor heropnames, triage of beeldanalyse – hebben straks een voorsprong. Ze kennen de valkuilen rond datakwaliteit, bias, governance en ethiek al.
Ethische en regulatoire vragen die we nú moeten adresseren
De programmeerbare virtuele mens klinkt aantrekkelijk, maar roept ook stevige vragen op:
- Wie is verantwoordelijk als een beslissing gebaseerd op een virtueel model fout uitpakt?
- Welke data mogen worden gebruikt om zulke modellen te trainen, en onder welke voorwaarden?
- Hoe voorkomen we dat de virtuele mens bestaande biases in de zorg versterkt, bijvoorbeeld door ondervertegenwoordiging van bepaalde groepen in de trainingsdata?
- Hoe moet de Inspectie en EMA (of het CBG in Nederland) omgaan met virtueel gegenereerde evidence?
Mijn overtuiging: deze discussie moet niet pas starten als de technologie “af” is, maar parallel aan de ontwikkeling meelopen. De Nederlandse zorg is sterk in multidisciplinaire samenwerking; laten we dat benutten om medisch, juridisch, ethisch en technisch perspectief vanaf het begin te combineren.
Hoe past dit in de bredere AI-agenda voor de Nederlandse zorg?
Binnen de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg” zie je steeds dezelfde rode draad terugkomen:
- AI zorgt niet alleen voor wat efficiëntiewinst hier en daar.
- AI dwingt ons om hele processen opnieuw te ontwerpen – van triage en diagnose tot opleiding van zorgprofessionals en nu dus ook medicijnontwikkeling.
De programmeerbare virtuele mens is daar een goed voorbeeld van. Het gaat niet om een slim extra algoritme bovenop een bestaand proces, maar om een andere manier van denken over geneesmiddelontwikkeling:
- van dier naar data;
- van lineair naar iteratief en modelgedreven;
- van focus op één target naar systeemniveau.
Voor Nederlandse partijen die nu bezig zijn met AI-strategieën, is het verstandig om medicijnontwikkeling en klinisch onderzoek expliciet mee te nemen. Niet omdat elk ziekenhuis zijn eigen virtuele mens moet bouwen, maar omdat deze technologie invloed gaat hebben op:
- welke medicijnen wanneer beschikbaar komen;
- hoe snel richtlijnen worden aangepast;
- hoe behandelingen gepersonaliseerder worden.
Wat je hier vandaag al mee kunt doen
Ook al staat de volledig programmeerbare virtuele mens nog in de kinderschoenen, je kunt als zorgorganisatie of professional nu al stappen zetten:
- Investeer in datakwaliteit: goed gestructureerde, geanonimiseerde zorgdata zijn de basis voor elk serieus AI-project.
- Zoek samenwerking: sluit aan bij regionale zorgdata-initiatieven, onderzoeksnetwerken en AI-projecten.
- Bouw AI-kennis op in de organisatie: niet alleen bij IT, maar ook bij medisch specialisten, verpleegkundigen en bestuurders.
- Denk mee over ethiek en governance: vorm interne commissies of werkgroepen rond AI in de zorg.
Wie nu leert werken met AI-modellen in de klinische praktijk, staat straks sterker wanneer virtuele mensen, digitale tweelingen en simulatiestudies de norm worden.
De programmeerbare virtuele mens laat zien waar de combinatie van AI en biomedische wetenschap heen gaat: naar een zorg waarin we behandelingen eerst veilig doorrekenen, en pas daarna in de echte mens testen. Voor een land als Nederland, met een sterke zorginfrastructuur en een groeiend AI-ecosysteem, is dit geen verre toekomstmuziek maar een concrete innovatiekans.
De vraag is niet óf deze benadering de medicijnontwikkeling gaat veranderen, maar welke rol wij als Nederlandse zorg en onderzoek daarin willen spelen. Wie nu de basis legt – met goede data, sterke samenwerkingen en een heldere visie op AI – bepaalt straks mede hoe snel nieuwe, betere behandelingen hun weg naar de patiënt vinden.