Treating Patients, Not Populations: Key Priorities for Improving the Predictability of Cancer Treatment

Dutch Below

From 18-20 September 2026, a group of international clinician-scientists, scientific experts, and patient advocates came together at a Discovery Network meeting in London to discuss what is needed to improve the predictability of cancer treatments. A recurring theme was that although cancer research has generated enormous amounts of biological knowledge, this knowledge is not being translated efficiently into better patient outcomes. The experts at the meeting converged on two focus areas that require both the field’s attention and stable public investment to improve the lives of cancer patients. 

Standard-of-Care Treatment Is Often Insufficient

The experts unanimously agreed that standard-of-care treatments fail patients too often. Individual patients and tumors can differ greatly in biology, treatment sensitivity, and mechanisms of therapy resistance – a concept known as patient and tumor heterogeneity. However, most new treatments are approved based on average responses across large patient populations. The result: treatments that work for the ‘average’ patient may be suboptimal for many patients in practice, despite billions of euros spent on drug development.

Better prediction of therapy responders, non-responders, and resistance mechanisms is essential. If we fail to act, we risk continued overtreatment, unnecessary toxicity, and escalating costs for patients and our healthcare system.

i. Need for Improved Collection of Accessible, High-Quality Data and Biospecimens

Scientists need access to longitudinal data, biospecimens, and molecular information from patients undergoing treatment in routine care or within clinical trials to pinpoint which medicines help which patients. These types of data can also reveal which patient and tumor characteristics predict treatment success. Several barriers stand in the way of collecting this information.

For one, current clinical trial designs often fail to collect sufficient data and make it widely available to researchers. Patient and tumor heterogeneity must become core considerations in future trial design, and (anonymized) data should become available to researchers for follow-up investigation after the conclusion of clinical trials.

A second challenge is that academia-led clinical trials have become increasingly difficult to fund. The Dutch Drug Rediscovery Protocol (DRUP) trial, an academia-led trial that provides patients with access to targeted therapies based on analysis of biomarkers (biological characteristics that help predict whether a treatment will work for a given patient), provides a promising example of public-private partnership to overcome this funding gap. 

The DRUP study directors successfully collaborated with pharma to fund studies into single-drug treatments, but studying combination treatments remains challenging if the different drugs in that combination are owned by different pharma companies. Pharma has little incentive to fund studies into drug combinations including products from multiple companies, treatment optimization, or patient stratification, or to open data access. Public funding is needed to fill these gaps.

Finally, when it comes to routine care, although many parties are working on improving collection and accessibility of real-world, real-time patient data, those data are still often fragmented and insufficiently fed back into clinical decision making. Improving this data loop could help identify patients who are unlikely to benefit from standard treatment early enough to offer them alternative interventions or trial participation.

ii. Oncode Accelerator’s Role: Real-World, Real-Time Patient Data and Biospecimens

Oncode Accelerator is actively working on improving the collection and use of real-world, real-time patient data and biospecimens, and broadening access to those resources for research. For example, the Oncode Accelerator Patient Cohorts Platform is working together with Hartwig Medical Foundation to create a ‘learning healthcare system’, as covered in this edition of the Pulse. Together, they are setting up data collection, storage, and analysis systems that allow doctors and researchers to continuously learn from routine patient care and feed that information back into the treatment of future cancer patients. Ideally, every patient encounter should become a data-generation and learning opportunity.

In addition, the Oncode Accelerator Patient Cohorts and Organoids Platforms work together to link clinical data, molecular data, biospecimens, and patient outcomes. Going forward, this combination of data should support identification of biomarkers.

Finally, by starting to co-fund early-stage clinical trials, Oncode Accelerator can enable the testing of new treatments in small, well-defined patient groups. This can help define which patients will benefit from those treatments, and which will not, from a relatively early stage of testing. Supporting adaptive clinical trials that evaluate patient subgroups rather than population averages can also improve the predictability of treatments.

Drug Discovery and Development Must Become Faster and More Efficient

A second major theme was that the current drug discovery and development process is not efficient enough and does not take advantage of the full potential of cutting-edge technologies.

Preclinical stages of oncology research and development still rely heavily on models and development approaches that fail to capture patient and tumor heterogeneity. Technologies such as artificial intelligence (AI), platforms for collection and use of real-world and real-time patient data, organoids, and other human-relevant models are advancing rapidly, but are not used enough. 

i. Validation and Benchmarking of Models Are Lacking

The major bottleneck here is not developing new technologies, but scientifically validating them – for instance, comparing them directly with classical approaches like animal models. Strong validation data is needed before new technologies can be integrated into drug discovery and development pipelines and regulatory guidelines.

A lack of funding for studies that validate and benchmark organoids, other advanced human-relevant model systems, and AI models remains a major barrier. Public funding could be put to good use here. 

A second barrier is that there is no broadly accepted framework for benchmarking and comparing predictive models, especially in the case of AI. Experts in the field will need to convene to create such a framework. Ideally, this should be done together with regulators, to ensure that regulatory pathways for AI-guided decision making become clearer.

ii. Oncode Accelerator’s Role: Optimize and Validate Human-Relevant Models

Several technologies that could improve the way drugs are discovered and developed are already represented by Oncode Accelerator’s innovation Platforms. These technologies should be validated to realize their potential to make drug development more precise and predictive, potentially saving significant time, money, and other resources.

Patient-derived organoids and related laboratory models, especially when they include components of the immune system or tumor microenvironment, should be developed, optimized, validated, and used to provide insights into treatment efficacy, toxicity, response, and resistance. AI models should focus on identifying drug targets, predicting drug responses, simulating clinical trials, and stratifying patients, using large-scale, multimodal datasets from patient cohorts.

Studies that directly compare these newer technologies with classical preclinical approaches would benefit the entire field.

Fund the Essential Alongside the Commercial

A final strong conclusion from the meeting was that stable public investment is needed to address problems that have limited commercial value but high societal value. A key priority for Oncode Accelerator will be to fund studies that optimize, benchmark, and validate human-relevant and AI models. Supporting these activities will help create a world where every patient receives the right treatment at the right time, supported by evidence that reflects the biological complexity of cancer.

Alongside funding such studies, Oncode Accelerator’s position as a large public-private partnership gives it a unique opportunity to work with regulators, academics, and industry to establish realistic evidence standards for these emerging technologies based on robust benchmarking and validation data.

In conclusion: progress depends on generating better evidence, embracing biological complexity rather than population averages, validating predictive technologies, and building the infrastructure and funding mechanisms required to translate scientific discoveries into better outcomes for patients.

Van 18 tot en met 20 september 2026 kwamen in Londen gerenommeerde internationale arts-onderzoekers, wetenschappelijke experts en patiëntvertegenwoordigers bijeen tijdens de Discovery Network-bijeenkomst om te bespreken wat nodig is om de voorspelbaarheid van behandelingen tegen kanker te verbeteren. Een terugkerend thema was dat kankeronderzoek weliswaar enorm veel biologische kennis heeft opgeleverd, maar dat deze kennis nog niet efficiënt wordt vertaald naar betere uitkomsten voor patiënten. De experts kwamen tot twee conclusies die zowel aandacht vanuit het veld als stabiele publieke investeringen vereisen om het leven van mensen die leven met én na kanker te verbeteren. 

De standaardbehandeling schiet vaak tekort 

De experts waren het er unaniem over eens dat standaardbehandelingen patiënten te vaak in de steek laten. Individuele patiënten en tumoren kunnen sterk verschillen in biologie, gevoeligheid voor behandeling en manieren waarop resistentie tegen een behandeling ontstaat. Dit wordt patiënt- en tumorheterogeniteit genoemd. De meeste nieuwe behandelingen worden echter goedgekeurd op basis van gemiddelde resultaten binnen grote populaties van patiënten. Het gevolg: behandelingen die voor de ‘gemiddelde’ patiënt werken, kunnen in de praktijk voor veel patiënten suboptimaal zijn, ondanks de miljarden euro’s die aan geneesmiddelenontwikkeling worden besteed. 

Het is dus essentieel om beter te voorspellen welke patiënten wel of niet op een behandeling reageren en welke biologische processen daar een rol in spelen. Als we niet handelen, dan blijven overbehandeling, onnodige bijwerkingen en oplopende kosten voor patiënten en ons zorgstelsel de realiteit. 

i. Noodzaak voor het verzamelen van toegankelijke, hoogwaardige gegevens en lichaamsmaterialen 

Wetenschappers hebben toegang nodig tot gegevens om vast te stellen welke geneesmiddelen bij welke patiënten nuttig kunnen zijn in de behandeling van kanker. Het gaat om gegevens die over langere tijd worden verzameld, lichaamsmaterialen en moleculaire informatie van patiënten die tijdens de reguliere zorg of binnen klinische studies worden behandeld. Deze gegevens kunnen ook inzicht geven in de bepaalde kenmerken van de patiënt en het type kanker, die het succes van een behandeling voorspellen. Verschillende belemmeringen staan het verzamelen van deze informatie echter vaak nog in de weg. 

Om te beginnen worden in de huidige opzet van klinische studies vaak onvoldoende gegevens verzameld en worden die gegevens niet breed beschikbaar gesteld aan onderzoekers. De diversiteit van de individuele patiënt en de tumor zouden daarom een centrale plaats moeten krijgen in de opzet van toekomstige studies. Ook moeten geanonimiseerde gegevens na afronding van klinische studies beschikbaar komen voor vervolgonderzoek. 

Een tweede uitdaging is dat het steeds moeilijker is geworden om financiering te vinden voor klinische studies door wetenschappers in academische centra. De Nederlandse Drug Rediscovery Protocol (DRUP)-studie, een academische studie die patiënten toegang biedt tot doelgerichte therapieën op basis van de analyse van biomarkers (biologische kenmerken die helpen voorspellen of een behandeling bij een bepaalde patiënt zal werken), is een veelbelovend voorbeeld van een publiek-private samenwerking om deze financieringskloof te overbruggen. 

De onderzoeksleiders van DRUP werkten succesvol samen met farmaceutische bedrijven om studies naar behandelingen met één geneesmiddel te financieren. Onderzoek naar een combinatie van behandelingen blijft echter lastig wanneer de verschillende geneesmiddelen in zo’n combinatie eigendom zijn van verschillende farmaceutische bedrijven. Farmaceutische bedrijven hebben weinig prikkels om onderzoek te financieren naar combinaties van geneesmiddelen van meerdere bedrijven, optimalisatie van behandelingen of patiëntstratificatie, of om gegevens vrij toegankelijk te maken. Publieke financiering zou hier een uitkomst kunnen bieden. 

Ten slotte geldt voor de reguliere zorg dat veel partijen weliswaar werken aan het verzamelen en toegankelijk maken van real-world, realtime patiëntgegevens, maar dat de data nog vaak versnipperd is en onvoldoende wordt teruggekoppeld naar klinische besluitvorming. Verbetering van deze datacyclus kan helpen om patiënten die waarschijnlijk geen baat hebben bij de standaardbehandeling vroeg genoeg te identificeren, zodat hun een alternatieve behandeloptie of deelname aan een klinische studie kan worden aangeboden. 

ii. De rol van Oncode Accelerator: real-world, realtime patiëntgegevens en lichaamsmaterialen

Oncode Accelerator werkt als Nationaal Groeifonds programma actief aan het verbeteren van de verzameling en het gebruik van real-world, realtime patiëntgegevens en lichaamsmaterialen en aan het verbreden van de toegang tot deze bronnen voor onderzoek. Zo werkt het Patient Cohorts Platform van Oncode Accelerator samen met Hartwig Medical Foundation aan de totstandkoming van een ‘lerend zorgsysteem’, zoals beschreven in deze editie van Pulse. Samen zetten zij systemen op voor het verzamelen, opslaan en analyseren van gegevens, zodat artsen en onderzoekers continue kunnen leren van de reguliere zorg en die informatie kunnen gebruiken in de behandeling van toekomstige patiënten met kanker. Idealiter wordt ieder contact met een patiënt een gelegenheid om gegevens te genereren en ervan te leren. 

Daarnaast werken de Patient Cohorts en Organoids Platforms van Oncode Accelerator samen om klinische en moleculaire gegevens, lichaamsmaterialen en resultaten van de behandeling aan elkaar te koppelen. In de toekomst zou deze combinatie van gegevens kunnen leiden naar de identificatie nieuwe biomarkers en mogelijk nieuwe behandelopties. 

Door een bijdrage te leveren aan de financiering van klinische studies in een vroege fase, kan Oncode Accelerator bovendien het testen van nieuwe behandelingen in kleine, duidelijk afgebakende patiëntgroepen mogelijk maken. Dit helpt mogelijk om in deze relatief vroege testfase vast te stellen welke patiënten wel en niet baat zullen hebben bij die behandelingen. Ook het ondersteunen van adaptieve klinische studies die subgroepen van patiënten in plaats van populatiegemiddelden onderzoeken, kan de voorspelbaarheid van behandelingen verbeteren. 

Onderzoek naar en ontwikkeling van geneesmiddelen moet sneller en efficiënter worden 

Een tweede belangrijk thema was dat het huidige proces voor geneesmiddelenonderzoek en -ontwikkeling niet efficiënt genoeg is en het volledige potentieel van geavanceerde technologieën onvoldoende benut. 

In de preklinische fasen van onderzoek en ontwikkeling van nieuwe behandelingen tegen kanker wordt nog sterk vertrouwd op modellen en ontwikkelmethoden die patiënt- en tumorheterogeniteit onvoldoende weerspiegelen. Technologieën zoals kunstmatige intelligentie (AI), platforms voor het verzamelen en gebruiken van real-world en realtime patiëntgegevens, organoïden en andere mensrelevante modellen ontwikkelen zich snel, maar worden nog onvoldoende benut. 

i. Validatie en benchmarking van modellen ontbreken 

Het grootste knelpunt is hier niet de ontwikkeling van nieuwe technologieën, maar de wetenschappelijke validatie ervan, bijvoorbeeld door ze rechtstreeks te vergelijken met klassieke benaderingen zoals diermodellen. Er zijn sterke validatiegegevens nodig voordat nieuwe technologieën kunnen worden geïntegreerd in het proces voor geneesmiddelenontwikkeling en daarnaast om te worden geaccepteerd door de regelgevende instanties. 

Een gebrek aan financiering voor studies die organoïden, andere geavanceerde mensrelevante modelsystemen en AI-modellen valideren, blijft een uitdaging. Publieke financiering kan hier goed worden ingezet. 

Een tweede belemmering is dat er geen breed geaccepteerd kader bestaat voor het vergelijken van nieuwe innovatieve voorspellende modellen met de huidige standaard, vooral bij AI. Experts uit het veld zullen moeten samenkomen om zo’n benchmarking kader te ontwikkelen. Idealiter gebeurt dit samen met toezichthouders, zodat de regelgevende routes voor AI-gestuurde besluitvorming duidelijker worden. 

ii. De rol van Oncode Accelerator: mensrelevante modellen optimaliseren en valideren 

Verschillende technologieën die de manier waarop geneesmiddelen worden ontdekt en ontwikkeld kunnen verbeteren, zijn al vertegenwoordigd binnen de innovatieplatforms van Oncode Accelerator. Deze technologieën worden binnen het programma gevalideerd om hun potentieel voor een preciezere en beter voorspelbare geneesmiddelenontwikkeling waar te maken. Daarmee kunnen mogelijk aanzienlijke hoeveelheden tijd, geld en andere middelen worden bespaard. 

Organoïden zijn kleine, in het laboratorium gekweekte modellen van weefsel van patiënten. Samen met andere laboratoriummodellen kunnen ze helpen onderzoeken hoe behandelingen werken. Dat geldt vooral als ze ook onderdelen bevatten van het afweersysteem of van de omgeving waarin een tumor groeit. Deze modellen moeten verder worden ontwikkeld en verbeterd. Ook moet worden aangetoond hoe goed ze voorspellen of een behandeling werkt, schadelijke effecten heeft en waarom een tumor wel of niet op een behandeling reageert, of er ongevoelig voor wordt. Modellen op basis van kunstmatige intelligentie (AI) moeten helpen ontdekken waar geneesmiddelen in het lichaam op kunnen aangrijpen en voorspellen hoe patiënten op een geneesmiddel reageren. Ook moeten ze klinische studies met de computer nabootsen en patiënten indelen in groepen met vergelijkbare kenmerken. Hiervoor gebruiken ze grote hoeveelheden gegevens van groepen patiënten, waarbij verschillende soorten informatie worden gecombineerd. 

Studies waarin deze nieuwere technologieën rechtstreeks met klassieke preklinische benaderingen worden vergeleken, zouden het hele veld ten goede komen. 

Financier het essentiële naast het commerciële

Een laatste krachtige conclusie uit de bijeenkomst was dat stabiele publieke investeringen nodig zijn om problemen aan te pakken die weinig commerciële, maar grote maatschappelijke waarde hebben. Een belangrijke prioriteit voor Oncode Accelerator is het financieren van studies die mensrelevante en AI-modellen optimaliseren, benchmarken en valideren. Ondersteuning van deze activiteiten draagt bij aan een wereld waarin iedere patiënt op het juiste moment de juiste behandeling krijgt, onderbouwd met bewijs dat recht doet aan de biologische complexiteit van kanker en de diversiteit van de patiënten zelf. 

Naast het financieren van dergelijke studies biedt de positie van Oncode Accelerator als groot publiek-privaat samenwerkingsverband een unieke kans om met toezichthouders, academische instellingen en de industrie samen te werken aan realistische bewijsstandaarden voor deze opkomende technologieën, gebaseerd op robuuste benchmark- en validatiegegevens. 

Kortom: vooruitgang is afhankelijk van het genereren van beter bewijs, het omarmen van biologische complexiteit in plaats van populatiegemiddelden, het valideren van voorspellende technologieën en het bouwen van de infrastructuur en financieringsmechanismen die nodig zijn om wetenschappelijke ontdekkingen te vertalen naar betere uitkomsten voor patiënten.