Vraag waar AI medische content het eerst zou moeten raken en de antwoorden gaan meestal over manuscripten of clinical study reports — juist de twee plekken met de strakste beperkingen. Het betere antwoord is het antwoord dat niemand geeft: plain language summaries.
Waarom ze bestaan, en waarom het er zoveel zijn
Lekensamenvattingen zijn geen extraatje. Onder de EU Clinical Trials Regulation 536/2014 moet een sponsor bij de EU-database een samenvatting van de resultaten indienen vergezeld van een samenvatting die begrijpelijk is voor een leek. De termijnen liggen vast: binnen 12 maanden na afloop van de studie bij volwassenen, 6 maanden bij pediatrische studies, en tot 30 maanden bij niet-therapeutische fase 1.
Daarnaast is een plain language protocol synopsis vereist bij de initiële aanvraag onder bijlage I D.24 — opgesteld in het Engels en daarna vertaald naar de lokale taal van elk land waar de studie loopt.
En GPP 2022 bracht plain language summaries expliciet binnen de reikwijdte van goede publicatiepraktijk, naast manuscripten, abstracts, posters, congrespresentaties en preprints.
Tel dat op en u heeft een documentsoort die verplicht is, deadlinegebonden, op volume geproduceerd, en vermenigvuldigd met het aantal landen waarin een studie draait. Dat is veel schrijfwerk dat sowieso moet gebeuren, ongeacht wie er capaciteit voor heeft.
Waarom dit de juiste eerste toepassing is
De randvoorwaarde die al het andere in medisch uitgeven bepaalt, is dat u geen ongepubliceerde manuscripten of patiëntgegevens in algemene LLM's mag stoppen — Wiley, Wolters Kluwer en Elsevier waarschuwen daar alle drie expliciet tegen.
Plain language summaries zijn grotendeels afgeleid van materiaal dat al goedgekeurd is, al openbaar is, of allebei. Een lekensamenvatting van resultaten wordt geschreven vanuit een afgeronde, vastgezette dataset en een goedgekeurde technische samenvatting. Een plain language protocol synopsis is afgeleid van een goedgekeurd protocol. De bron is geen conceptmanuscript dat vóór peer review rondgaat.
Dat ene verschil verandert het risicoprofiel wezenlijk. Het maakt het werk niet ongereguleerd — de eisen aan juistheid liggen zo mogelijk hóger, want het publiek bestaat uit patiënten. Maar het haalt het werk uit de categorie waarin de toolvraag al gesloten is voordat hij geopend wordt.
Waar AI hier werkelijk goed in is
- Leesbaarheidstransformatie. Technisch register omzetten naar lekenregister op een doelniveau ligt dicht bij de canonieke taalmodeltaak, en het is het deel dat menselijke schrijvers het saaist vinden.
- Meertalige output. De synopsis moet bestaan in de lokale taal van elk deelnemend land. Dat is een volume- en consistentieprobleem, geen creatief probleem.
- Consistentie met de bron. Controleren of de lekenversie bij het vereenvoudigen niet stilletjes een resultaat heeft veranderd — mechanisch, uitputtend, en precies waar menselijke fouten insluipen.
- Sjabloonnaleving. Bijlage V kent verwachte inhoud. Aanwezigheid en structuur controleren vóór een mens leest, scheelt een reviewronde.
Waar het misgaat, en dan gaat het hard mis
Twee faalvormen, en de tweede is de te vrezen vorm.
Vereenvoudiging die de betekenis verandert. "Er werd geen statistisch significant verschil waargenomen" is niet "de behandeling werkte niet", en een model dat op leesbaarheid optimaliseert maakt die vervanging graag. In een document voor patiënten is dat geen stijlfout. Het is een verkeerde weergave van een studieresultaat aan de mensen die eraan meededen.
Vals vertrouwen in de toon. Lekensamenvattingen moeten onzekerheid overbrengen. Gegenereerde tekst leest vlot en stellig, en vlotheid wordt makkelijk voor juistheid aangezien door een reviewer die een afgerond ogend document doorneemt.
Beide faalvormen worden gevangen door dezelfde maatregel: een benoemde menselijke ondertekening die niet overgeslagen kan worden, plus een diff tegen de technische samenvatting. Geen beleidszin — een workflowstap. In ons clinical-NLP-werk leverde die structuur 100% clinicus-ondertekening op elke samenvatting op, terwijl de doorlooptijd met 60% daalde.
Hoe te beginnen
Kleiner dan u zou verwachten, want het doel is de maatregel bewijzen, niet de capaciteit.
- Neem een set al gepubliceerde lekensamenvattingen met hun technische bronnen.
- Genereer lekenversies alleen uit de technische samenvattingen en vergelijk ze met de door mensen geschreven originelen. U test op betekenisdrift, niet op stijl.
- Tel de verschillen die ertoe doen. Verandert een model zelfs één op de twintig keer een resultaat, dan weet u precies wat uw reviewstap moet vangen.
- Pas daarna vooruit draaien op live werk, met de ondertekeningsstap vanaf dag één ingebouwd.
Waar dit in de bredere workflow past staat in AI voor medisch uitgeven; voor de tools per taak, zie AI-tools voor medisch uitgeven.