ALG_Mathie_Leers_head_large.jpg

Ziektes beter voorspellen? Big data schiet te hulp

Als je bloed laat prikken, wordt dit in het klinisch laboratorium onderzocht en geanalyseerd. Al die analyses leveren een schat aan informatie op: big data. Hoogleraar en klinisch chemicus- hematoloog Mathie Leers gebruikt die data om voorspellende modellen te ontwikkelen. Deze modellen ondersteunen medisch specialisten en huisartsen om sneller tot een betere diagnose te komen. 'Dit onderzoek heeft veel impact op de zorgpraktijk.'

De toepassingen van big data en artificial intelligence (AI) in de medische wereld zijn talrijk en voor bijzonder hoogleraar Mathie Leers van de Open Universiteit dagelijks werk. Bij zijn werkgever - het klinisch chemisch laboratorium in het Zuyderland Medisch Centrum - coördineert hij de analyse van de duizenden bloed- en urinemonsters die elke dag worden afgenomen. Leers: 'Mensen worden door de huisarts doorverwezen om hun bloed te laten onderzoeken. Wij meten in deze bloedmonsters gemiddeld vijf verschillende parameters. Denk aan elektrolyten zoals natrium en kalium, enzymen, eiwitten, hormonen en tumormarkers. Daarnaast volgen we patiënten van wie we het bloed soms wekelijks of maandelijks monitoren. Dit alles levert een enorme datastroom op van tienduizenden meetresultaten per dag.'

Zoveel mogelijk gegevens in kaart brengen

Met al dit soort data is veel interessant onderzoek te doen. De coronapandemie was de grootste drijfveer om data structureel te gaan onderzoeken met AI, vertelt Leers. 'Destijds werden we in één klap geconfronteerd met een enorme stroom aan patiënten met een ziekte waarvan we nog niets wisten. Die ziekte ging ook nog eens gepaard met ernstige effecten zoals langdurige ziekenhuisopname en een hoog sterftecijfer. Als medisch specialisten zijn we toen bij elkaar gaan zitten.

We namen ons voor om van deze patiënten zoveel mogelijk gegevens in kaart te brengen, om deze onbekende ziekte helemaal te doorgronden. Met die data ontwikkelden we een algoritme dat, op basis van enkele parameters in het bloed, snel COVID-19 op de spoedeisende hulp kon uitsluiten - sneller dan de destijds minder betrouwbare en te lang durende PCR-test. Zo deden we waardevolle ervaringen op met machine learning; een vorm van AI die systemen helpt om te leren van de data die ze verwerken.'

Patronen ontdekken

Leers werd eind 2023 aangesteld als bijzonder hoogleraar Data gedreven beslissingen in de gezondheidszorg aan de Open Universiteit. 'In mijn leerstoel proberen we trends te ontdekken in de medische data die ons ter beschikking staan en zetten we machine learning en AI in om die resultaten beter te interpreteren. Bijvoorbeeld door patronen te identificeren die in de data zitten ingebakken, maar die door mensen moeilijk herkend worden. Op basis daarvan bouwen we vervolgens medische algoritmes - ook wel predictiemodellen. Die helpen artsen om de kans op een bepaalde diagnose of uitkomst van een behandeling te voorspellen.'

Minder tests en kortere wachttijden

Wat is een voorbeeld van zo’n model dat in de praktijk gebruikt kan worden? Leers: 'We werken op dit moment aan een model dat diep-veneuze trombose kan voorspellen. Veel mensen belanden op de spoedeisende hulp met een rood gezwollen been. Als dat diep-veneuze trombose is, moet de patiënt zo snel mogelijk specifieke medicijnen krijgen. Maar er zijn ook andere ziektebeelden die een rood gezwollen been veroorzaken en die om een andere behandeling vragen. Tot nu toe waren er verschillende soorten tests nodig om trombose uit te sluiten. Dat zorgde voor extra druk op de spoedeisende hulp en langere wachttijden. We hebben nu een model ontwikkeld waarin we een algoritme loslaten op een simpele bloedtest. Daarmee kunnen we binnen 20 minuten trombose uitsluiten. Dat blijkt goed te werken, maar we zijn er nog niet! We zijn op dit moment het algoritme nog verder aan het valideren, maar het is dus mogelijk om met een eenvoudige analyse van een bloedmonster ziektebeelden van elkaar te onderscheiden.'

Betere behandelkeuzes maken

De hoogleraar legt uit dat predictiemodellen niet alleen nuttig zijn om een specifieke ziekte te herkennen, zoals trombose. Je kunt de modellen ook inzetten op patiëntniveau. 'We werken momenteel aan een model om te voorspellen hoe patiënten met prostaatkanker op hun behandeling reageren. Bij een deel van de patiënten kunnen functionele klachten, zoals problemen met plassen of erectiestoornissen, namelijk veel erger worden door de behandeling. Tot nu toe wisten we dat dit kon gebeuren, maar bleef onduidelijk bij wie dat gebeurt. Daarom analyseren we nu veel data uit tests die urologen de afgelopen jaren bij mannen met prostaatkanker hebben afgenomen. Uit die analyses hopen we op te maken wat de mannen bij wie de klachten verergeren met elkaar gemeen hebben. Zo kunnen we die groep patiënten herkennen, gerichter voorlichten en kunnen de patiënten betere keuzes maken voor hun behandeling.'

Leefomgeving en gezondheid

Feitelijk gaat er dankzij AI een enorme wereld aan mogelijk nieuw onderzoek open. Mits we data uit verschillende disciplines combineren, aldus Leers. 'Onze modellen om ziektes te voorspellen, kun je echter niet één-op-één overnemen in ziekenhuizen elders in het land. Als je bijvoorbeeld een algoritme dat in Sittard is ontwikkeld toepast in Amsterdam, vallen de resultaten vaak tegen. Mijn overtuiging is dat de leefomgeving van patiënten sterk meespeelt bij het voorspellen van een ziekte.' Leers legt dat uit aan de hand van data die het Integraal Kankercentrum Nederland voor soorten kanker per postcodegebied in kaart brengt. 'Daar zie je dat huidkanker veel vaker voorkomt aan de kust en dat asbestkanker veel vaker voorkomt in onder andere de Rotterdamse Haven. Dat komt bijvoorbeeld door uv-straling of schadelijke deeltjes in de lucht. Door data uit de hoek van milieuwetenschappen mee te nemen, zouden onze voorspellende modellen accurater worden. Binnen mijn leerstoel onderzoek ik of we data over het milieu in een bepaald gebied kunnen koppelen aan data over de gezondheid van mensen. Dan kunnen we de modellen hopelijk wel landelijk inzetten.'

Experts van andere vakgroepen

Geneeskunde, artificial intelligence, milieuwetenschappen… Is Leers dan van al deze markten thuis? 'Nee hoor', lacht hij, 'ik werk intensief samen met zowel mijn eigen vakgenoten als met experts van de Open Universiteit. Bij elk nieuw project gaan we eerst om tafel met collega-medisch specialisten: welke data hebben wij in het ziekenhuis en welke data zijn relevant voor een vraagstuk? Daarna bepalen we samen met milieuwetenschappers welke milieudata een rol spelen bij bijvoorbeeld hart- en vaatziekten, of bepaalde vormen van kanker. Vervolgens werk ik samen met een heel team van datascientists binnen Zuyderland, maar ook van de universiteit. Zij halen de data uit de verschillende systemen, schonen deze op en analyseren deze data met machine learning en AI-tools. Zo ontwikkelen we samen met vele experts deze modellen.'

Leers hecht als hoogleraar veel belang aan het bouwen van een netwerk rondom zijn onderzoek. 'Sinds een paar jaar is er een structurele samenwerking tussen het Zuyderland Medisch Centrum en de Open Universiteit, dus de lijntjes zijn kort. Aan allerhande vraagstukken binnen het ziekenhuis probeer ik een expert van onze universiteit te koppelen. Denk aan thema’s als de bescherming van medische gegevens, cybersecurity of de nieuwste Europese wetgeving. Binnen de ziekenhuiswereld is die kennis vaak nog niet zo ver ontwikkeld, dus de juiste mensen aan elkaar koppelen helpt ons echt verder.'

Diagnostische bijsluiter

Niet alleen medisch specialisten en het ziekenhuis profiteren van Leers' onderzoek. De hoogleraar probeert ook iets te betekenen voor de huisartsen in zijn werkgebied. 'Patiënten hebben tegenwoordig inzicht in hun medische gegevens via een patiëntportaal. Daarin zijn laboratoriumuitslagen snel zichtbaar, vaak nog voordat ze deze met de huisarts hebben besproken. Huisartsen worden daardoor overspoeld met telefoontjes van ongeruste mensen, die in het portaal hebben gezien dat een uitslag 'afwijkend' is. Begrijpelijk dat de patiënt schrikt, maar in een groot deel van de gevallen is er niets aan de hand. We onderzoeken of we met AI de lab-uitslagen in het portaal kunnen voorzien van een samenvattende uitleg in 'lekentaal', om patiënten gerust te stellen. Zo’n diagnostische bijsluiter stellen we samen op basis van de uitslagen, gecombineerd met gegevens als leeftijd en eerdere lab-uitslagen. Daarmee informeren we de patiënt beter én neemt het aantal telefoontjes naar de huisarts hopelijk drastisch af. Het mooie is dat wij als klinisch laboratorium al sinds begin jaren negentig data opslaan en dus kunnen putten uit een enorme historie. We kunnen per patiënt terugkijken: wat was de uitslag drie jaar geleden en welke ontwikkeling zien we?'

Patiënten worden overigens goed geïnformeerd over het gebruik van hun data in deze studies. Bij langlopend onderzoek waarbij patiënten over een bepaalde periode worden gevolgd, wordt gebruikgemaakt van informed consent. Retrospectieve studies worden ter beoordeling voorgelegd aan de Medisch-Ethische Toetsingscommissie (METC). Daarnaast kunnen patiënten bij bloedafname bezwaar maken tegen gebruik van data of materiaal voor onderzoek.

Ziekenhuis van de toekomst

De leerstoel heeft het onderzoek van Leers geïntensiveerd. 'Ik heb intussen gelukkig een aantal PhD-studenten die meewerken aan projecten. En dankzij mijn universitaire aanstelling word ik nu ook voor allerlei AI-gerelateerde commissies in het ziekenhuis gevraagd. Vanuit Zuyderland voorzien we een belangrijke rol voor data en AI in de medische wereld. Mijn werkgever steekt veel energie in het oprichten van het ziekenhuis van de toekomst. We zijn nu druk bezig een strategie voor de komende jaren neer te zetten.' Onderdeel daarvan zijn een goede governancestructuur voor AI-vraagstukken in het ziekenhuis én een robuuste data-infrastructuur. 'Nu zijn alle data die ik wil gaan gebruiken voor onderzoek nog in verschillende systemen opgeslagen, die onderling niet goed met elkaar communiceren. Onderdeel van de strategie is om dat te gaan verbeteren.

Volgende stappen in de zorg

Als dat allemaal lukt, ziet Leers veel mogelijkheden om medisch specialisten in de toekomst met AI te ondersteunen. 'We zullen de medisch specialisten nooit willen of kunnen vervangen, maar we kunnen ze wel ondersteunen in de spreekkamer of op hun ronde door het ziekenhuis. In de spreekkamer willen we het liefst dat de arts met de patiënt in gesprek gaat, in plaats van dat iemand eerst al die data moet interpreteren. Dat is ook wat de arts wil: oog hebben voor de patiënt en niet voor de computer. Voor de arts is het een enorme hobbel dat die zich in korte tijd moeten inlezen in het dossier én een goede samenvatting moet maken van wat de patiënt vertelt. Want voor een gesprek zijn maar een paar minuten beschikbaar, dan staat de volgende patiënt al voor de deur.'

De hoogleraar schetst hoe het in de toekomst ook zou kunnen gaan. 'Stel dat we het gesprek met de patiënt opnemen, waar AI meteen een samenvatting van maakt. En dat vanuit die samenvatting automatisch noodzakelijke bloedafnames en röntgenfoto’s ingepland worden - zonder dat de arts daar administratieve rompslomp aan heeft. Ik hoop dat ik dat nog mag meemaken aan het eind van mijn carrière!'

Prof. dr. ing. Mathie Leers is eind 2023 aangesteld als bijzonder hoogleraar Data gedreven beslissingen in de gezondheidszorg aan de Open Universiteit. Jaren eerder, in 1997, behaalde hij zijn master in toegepaste natuurwetenschappen (voeding & toxicologie) aan de Open Universiteit. Twee jaar later promoveerde hij aan de Universiteit Maastricht op het onderwerp 'Clinical applications of multiparameter flow cytometry in surgical pathology'. Hij startte zijn carrière in 1990 in een aantal voorlopers van zijn huidige werkplek: het Zuyderland Medisch Centrum. Vanaf 2007 is hij werkzaam als klinisch chemicus-hematoloog, en sinds 2018 daarnaast als opleider Klinische Chemie in het Zuyderland. Zijn gehele loopbaan verricht hij onderzoek, voornamelijk op het vlak van hematologie en oncologie.

Lees meer artikelen

Tekst: Sarah Wouters
Fotografie: Sandra van Watermeulen