Dagelijks worden consumenten en werknemers blootgesteld aan een breed scala aan chemicaliën. Daarnaast worden er voortdurend nieuwe stoffen op de markt geïntroduceerd. Het beoordelen van de mogelijke gezondheids- en milieurisico’s van al deze stoffen is essentieel, maar in de praktijk complex, tijdrovend en kostbaar. Traditionele toxicologische methoden schieten hierbij tekort. Kunstmatige intelligentie (AI) biedt nieuwe mogelijkheden om chemische hazard assessment sneller, consistenter en kennisgedrevener uit te voeren.
Een belangrijke ontwikkeling op dit gebied zijn zogenaamde large language models (LLM’s). LLM’s spelen een steeds grotere rol in het verwerken van bestaande kennis. Binnen chemische veiligheidsbeoordeling betekent dit dat enorme hoeveelheden wetenschappelijke literatuur, rapporten en regulatoire documenten sneller en gerichter toegankelijk worden. LLM’s kunnen relevante publicaties identificeren, kerninformatie extraheren, samenvatten en verbanden leggen tussen studies. Dit helpt experts om sneller een compleet overzicht te krijgen van de beschikbare bewijslast, en verlaagt de administratieve druk die gepaard gaat met literatuuronderzoek. Daarbij zijn er wel de nodige risico’s, zoals hallucinaties, wat verder onderzoek vergt naar de inzet van LLMs.
Naast de inzet van LLM’s zijn er in silico-modellen die, op basis van de chemische structuur en beschikbare data, voorspellingen doen over gevaarlijke eigenschappen. Met behulp van machine learning worden grote datasets van bekende stoffen en toxicologische effecten geanalyseerd om patronen te herkennen. Deze modellen kunnen vroege indicaties geven van eigenschappen zoals carcinogeniciteit, reprotoxiciteit of milieuschadelijkheid, nog voordat uitgebreide experimentele testen zijn uitgevoerd. Daarmee ondersteunen ze risicobeoordeling in een vroeg stadium en dragen ze bij aan het verminderen van dierproeven en doorlooptijd.
AI‑toepassingen maken het ook mogelijk om verder te kijken dan alleen toxicologische eindpunten. Bijvoorbeeld door via zogenaamde taalverwerkingsmodellen grote hoeveelheden informatie over biologische processen te extraheren en samen te vatten. Zo kunnen AI‑systemen bijdragen aan het begrijpen hoe een stof op moleculair en cellulair niveau ingrijpt en via welke biologische routes dit leidt tot schadelijke effecten. Deze benadering sluit aan bij de ontwikkeling richting next generation risk assessment, waarin begrip van onderliggende mechanismen steeds belangrijker wordt voor een betrouwbare en toekomstbestendige beoordeling van risico’s.
Binnen TNO worden deze AI‑ontwikkelingen vertaald naar concrete toepassingen voor de praktijk. Zo ondersteunt het Stoffen Informatie Systeem (SIS) professionals bij het snel verkrijgen van overzichtelijke en actuele informatie over stoffen, waaronder fysisch-chemische eigenschappen, regelgeving en gezondheidsrisico’s. Daarnaast werkt TNO aan een substitutietool die ingezet kan worden bij het zoeken naar stoffen die vergelijkbare fysisch-chemische eigenschappen hebben, maar wellicht een lagere gezondheidsklasse. Door stoffen systematisch met elkaar te vergelijken op risico’s en toepasbaarheid, ondersteunt deze tool weloverwogen keuzes voor veiligere alternatieven, zonder in te leveren op functionaliteit.
De inzet van AI verandert de manier waarop chemische hazard assessment wordt uitgevoerd, maar vervangt menselijke expertise niet. Integendeel: door routinetaken te automatiseren en complexe analyses te versnellen, ontstaat juist ruimte voor experts om zich te richten op interpretatie, afweging en besluitvorming. AI fungeert daarmee als een krachtig instrument binnen een breder beoordelingskader, dat bijdraagt aan een efficiëntere, transparantere en robuustere aanpak van chemische veiligheid.
Meer weten? Bernice Scholten, PhD, toxicoloog bij TNO, geeft tijdens WoTS 2026 de presentatie ‘The use of AI in Chemical Hazard Assessment’. Bekijk het programma en meld je aan.
Meer informatie
