Computeralgoritmes inzetten om ziekten te diagnosticeren

13 maart 2019
Een team wetenschappers van VIB en KU Leuven heeft een machine learning-algoritme ontwikkeld dat artritis kan vaststellen bij kinderen met bijna 90% nauwkeurigheid, enkel op basis van een bloedtest. De nieuwe bevindingen, deze week gepubliceerd in het vakblad Annals of the Rheumatic Diseases, effenen de weg voor het gebruik van machine learning voor een snellere diagnose en om te voorspellen welke juveniele artritispatiënten het best zullen reageren op verschillende behandelingen.

Zogenaamde juveniele idiopathische artritis is de meest voorkomende reumatoïde aandoening bij kinderen, maar de symptomen, ernst en evolutie kunnen erg variëren. Deze diversiteit maakt een vroege classificatie van patiënten en keuze van de optimale behandeling erg moeilijk.

Om de diagnose en behandeling te kunnen verbeteren bracht een team van onderzoekers van VIB, KU Leuven en UZ Leuven het immuunsysteem van honderden kinderen met en zonder juveniele artritis in groot detail in kaart.

"We hebben bloedstalen genomen van meer dan 100 kinderen, waarvan twee derde juveniele artritis had," legt Erika Van Nieuwenhove (VIB-KU Leuven), eerste auteur van het onderzoek, uit. "We analyseerden het immuunsysteem van de kinderen in meer detail dan ooit tevoren en op deze gegevens lieten we machine learning algoritmes los."

De resultaten waren opmerkelijk: het algoritme was ongeveer 90% nauwkeurig in het identificeren welke kinderen artritis hadden. "We baseerden ons enkel en alleen op informatie over het immuunsysteem, los van de symptomen of andere klinische gegevens," zegt professor Adrian Liston (VIB-KU Leuven en Babraham Institute, Cambridge, UK). "Dit resultaat toont aan dat het analyseren van immunologische parameters, in combinatie met machine learning, enorm veel potentieel biedt om de verschillende vormen van juveniele idiopatische artritis vroeg te diagnosticeren. "

De onderzoekers zijn hoopvol over de impact van dit onderzoek, en hopen er op termijn de behandelingsopties voor patiënten mee te kunnen verbeteren. "De tool moet verder worden gevalideerd, maar verder zijn er geen wetenschappelijke belemmeringen om deze aanpak snel naar de kliniek te vertalen", zegt professor Carine Wouters (UZ Leuven), die de klinische leiding had voor deze studie. "We zouden dit soort gedetailleerde classificatie-informatie en machine learning-analyse op termijn kunnen gebruiken om te weten te komen welke patiënten het best zullen reageren op specifieke behandelingen."


Publicatie
Machine learning identifies the immunological signature of Juvenile Idiopathic Arthritis, Van Nieuwenhove et al., Annals of the Rheumatic Diseases

Funding
This work was supported by the European Research Council (Start Grant IMMUNO) with fellowships to Erika Van Nieuwenhove, Vasiliki Lagou, Lien Van Eyck, Marijne Vandebergh and Stephanie Humblet-Baron from Research Foundation – Flanders.

Vragen
Een doorbraak in onderzoek betekent niet hetzelfde als een doorbraak in de geneeskunde. De verwezenlijkingen van VIB-onderzoekers kunnen de basis vormen voor nieuwe therapieën, maar het ontwikkelingstraject neemt nog jaren in beslag. Dit kan veel vragen oproepen. Daarom vragen we u om in uw reportage of artikel te verwijzen naar het e-mailadres dat VIB hiervoor ter beschikking stelt. Iedereen kan er met vragen omtrent dit en ander medisch gericht onderzoek terecht: patienteninfo*Replace*With*At*Sign*vib.be.


Carine Wouters, Adrian Liston, Erika Van Nieuwenhove, Stephanie Humblet-Baron
©VIB-Liesbeth Aerts