Voorkomen van hart- en herseninfarcten
Patiënten met myeloproliferatieve neoplasmata lopen vaak lange tijd rond zonder diagnose. Vaak zijn er wel bloedtesten gedaan, maar de zeldzame aandoening is lastig te herkennen. Een gemiste kans, want onbehandelde patiënten hebben kans op een hart- of herseninfarct. Onderzoekers van het Albert Schweitzer ziekenhuis ontwikkelen AI-algoritmes om de ziekte automatisch te laten herkennen in het lab.
tekst: Diana de Veld, wetenschapsjournalist
Patiënten met myeloproliferatieve neoplasmata (MPN) blijven vaak heel lang zonder diagnose rondlopen. ‘Door een bloedonderzoek kun je wel aanwijzingen vinden: bij het subtype essentiële trombocytose (ET) bijvoorbeeld is het aantal bloedplaatjes verhoogd en bij polycythemia vera (PV) het aantal rode bloedcellen. Maar MPN is zeldzaam en je moet er maar net aan denken dat dit de onderliggende reden zou kunnen zijn’, vertelt internist-hematoloog dr. Peter Westerweel (Albert Schweitzer ziekenhuis). ‘Daardoor kan het gebeuren dat mensen anderhalf tot twee-en-een-half jaar ongediagnosticeerd blijven, ook al is er al wel bloedonderzoek gedaan.’ Zowel huisartsen als artsen van andere specialismen in de tweede lijn kunnen de diagnose missen. ‘Begrijpelijk, want bloedplaatjes kunnen ook om andere redenen verhoogd zijn’, licht Westerweel toe. ‘Voor hematologen is de diagnose echter eenvoudig te stellen. Voor ons is het dagelijks werk. We beschikken over heel betrouwbare moleculaire tests om de diagnose te bevestigen, soms aangevuld met beenmergonderzoek.’
Vasculaire complicaties
Bij onbehandelde MPN-patiënten kunnen vasculaire problemen optreden, met name hart- en herseninfarcten. ‘We zien dat regelmatig terug bij onze patiënten: zij hebben dan al een infarct gehad voor ze bij ons terechtkomen. Zo’n nare complicatie zouden we kunnen voorkomen als we eerder een behandeling kunnen starten.’ Westerweel droomde daar al lange tijd van. ‘Ik liep al een paar jaar rond met het idee om andere artsen te helpen om MPN beter te herkennen. Het duurde echter even tot ik binnen mijn ziekenhuis iemand vond die de technologische mogelijkheden had om een model voor automatische diagnostiek van MPN te ontwikkelen.’
Dat veranderde toen Westerweel kennismaakte met medewerkers van de afdeling Klinische Fysica. ‘Het was letterlijk in de koffiekamer dat klinisch fysicus dr. Dennis Dieckens vertelde over zijn interesse in AI’, zegt Westerweel. ‘Hij liet voorbeelden zien van werk voor de afdeling Radiologie en ik dacht: misschien kan hij mij ook helpen bij mijn al jarenlang sluimerende wens.’ Dieckens vult aan: ‘Het kwam heel goed uit dat we op dat moment een uitstekende student hadden rondlopen die technisch heel handig was en tijd vrij kon maken voor dit onderzoek.’
AI-model trainen
Voor het trainen van een AI-model zijn heel veel data nodig. ‘We beschikten daarvoor gelukkig al over veel bloedtesten van patiënten met en zonder MPN, afkomstig uit ons eigen ziekenhuis’, zegt Gilles Bonné, die in opleiding is tot klinisch fysicus. De onderzoekers concentreerden zich op de twee meest voorkomende ziektebeelden, ET en PV. ‘Deze twee ziektebeelden manifesteren zich vaak met weinig klachten, maar kunnen dus wel trombovasculaire problemen veroorzaken’, aldus Westerweel.
De onderzoekers trainden het AI-model, gebaseerd op machine learning, met samples afkomstig van patiënten en controles. ‘Ons model bestaat uit twee schillen’, licht Bonné toe. ‘De eerste schil voedden we alleen met algemene kenmerken als leeftijd en klinische kenmerken waaronder CRP- en andere bloedwaarden. Dit brengt een eerste schifting aan: het model doet een eerste voorspelling voor wie MPN heeft en wie niet. Bij een verhoogde kans gaan patiënten door naar de tweede schil. Daarvoor genereerden we microscopische gegevens op basis van hetzelfde bloedsample. Het idee was dat je met deze extra gegevens de voorspelling nauwkeuriger kon maken.’
Getrapt model
Waarom zou je niet standaard meteen die microscopische gegevens aan het model voeden? ‘Omdat de microscopische gegevens niet standaard beschikbaar zijn voor alle patiënten, daar is dus een extra actie voor nodig’, antwoordt Bonné. Dieckens: ‘Het is een getrapt model. We zochten naar een slimme strategie om zo kostenefficiënt mogelijk een zo precies mogelijke voorspelling te kunnen doen. Je zou ook meteen mutatie-analyses op alle samples kunnen loslaten, maar dat kost erg veel geld en is in praktijk niet haalbaar.’
Vroeger identificeren
Na training op algemene en klinische gegevens van 112 ET-patiënten en bijna 12.000 controlepatiënten bleek het model goed in staat om controles van ET patiënten te onderscheiden (area under the curve (AUC) 0,87). Voor PV werd het model getraind met samples van 58 patiënten en 2274 controles. Dit resulteerde eveneens in een goed onderscheid (AUC 0,87). ‘Alleen op basis van de eerste schil zou je naar verwachting 45 tot 62% van de patiënten minimaal een jaar eerder, op een klinisch relevant vroeger tijdstip, kunnen identificeren’, vertelt Dieckens. ‘Dat is al veel meer dan we verwacht hadden..’
Vervolgonderzoek
Een van de vervolgvragen is hoe je de verschillende diagnostische technieken zo efficiënt mogelijk kunt inzetten. Westerweel: ‘Hoe stel je de modellen zó af dat je enerzijds wel de mensen kunt vinden, maar tegelijk niet te veel overbodige, dure diagnostiek hoeft te doen?’ Ander vervolgonderzoek richt zich op het verbeteren van de scores van de tweede schil op basis van microscopische beelden. ‘Initieel keken we hierbij alleen naar tellingen van verschillende cellen in het bloed, maar als je het microscopiebeeld zelf ook meeneemt, dan zit daar mogelijk nog meer informatie in verstopt’, legt Bonné uit. ‘Dat zou de score kunnen verbeteren. Maar voor beeldanalyse door AI zijn nog veel meer data nodig. Mogelijk hebben we daarvoor te weinig samples.’ Westerweel: ‘We zijn nu kijken of we kunnen opschalen, ook door samenwerking met andere ziekenhuizen aan te gaan.’
Implementatie
In het Albert Schweitzer ziekenhuis blijkt het model intussen al van klinische waarde. ‘De fysici hebben een soort dashboard gebouwd dat aangeeft welke patiënten van de dag op basis van het model een hoog risico hebben op MPN’, vertelt Westerweel. ‘De klinisch chemici in ons laboratorium kunnen dan vervolgonderzoek in de vorm van mutatieanalyse inzetten bij patiënten met een rood vlaggetje.’
De onderzoekers verwachten dat deze werkwijze met AI ook toegepast kan worden bij andere soorten (hematologische) kankers. ‘Ik denk dat dat echt de toekomst is: computermodellen over onze schouder laten meekijken of we bepaalde zaken missen’, zegt Westerweel. ‘Vooral als het gaat om zeldzame aandoeningen waar je zelf niet altijd aan denkt, of aandoeningen die een beetje buiten je eigen vakgebied liggen. Ons onderzoek kan daarvoor een blauwdruk vormen. Ook buiten de hematologie zijn er ongetwijfeld mogelijkheden’, besluit hij.
Verschenen in Hemato-oncologie, juni 2024