MDL-arts Maureen Guichelaar richt zich op onderzoeksprojecten op het raakvlak van technische innovatie en klinische zorg. Hiervoor werkt ze onder andere intensief samen met wetenschappers van Universiteit Twente met aandachtsgebied kunstmatige intelligentie en big data-analyse. Het uitgangspunt in alle onderzoeken is: op basis van gerichte voorspelmodellen de switch maken van het behandelen naar het voorkomen en beter voorspellen van ziekte.
Dat Guichelaar in een perifeer ziekenhuis werkt, weerhoudt haar er niet van wetenschappelijk onderzoek te doen binnen haar vakgebied. “Ik heb er bewust voor gekozen om 0,75 FTE als MDL-arts te werken met aandachtgebied hepatologie in Medisch Spectrum Twente, zodat ik daarnaast tijd heb om mij aan onderzoek te wijden”, vertelt ze. “Het zaadje hiervoor werd al geplant toen ik research fellow was en ook mijn promotieonderzoek deed in de Mayo Clinic in de Verenigde Staten. Ik heb er opleidingen op het gebied van statistiek en epidemiologie kunnen doen. Ook heb ik er veel geleerd over lean voor het optimaliseren van processen. Dat was mijn basis.”
Na die tijd is ze teruggekeerd naar Nederland, maar daarmee was haar betrokkenheid bij wetenschappelijk onderzoek niet voorbij. In tegendeel.
Lean verbetertraject
“Al in de tijd voor AI ben ik mij gaan verdiepen in omics-technologieën en de analyse van voorspelmodellen”, vertelt Guichelaar. “In het verlengde daarvan ben ik gaan kijken naar de mogelijkheid van een voorspelmodel voor leverkanker op basis van MRI bij patiënten met levercirrose. Traditioneel worden deze patiënten met een verhoogd risico op leverkanker tweemaal per jaar onderzocht met behulp van echografie. Maar MRI biedt snellere diagnostiek. Op basis van een lean verbetertraject, onder leiding van Donald Bouman, radioloog in het MST, hebben we hier de stap gezet naar eenmaal per jaar een MRI-scan van deze patiënten. De diagnostiek is hiermee sterk verbeterd, waardoor we leverkanker in een zeer vroeg stadium kunnen vaststellen. De vijfjaarsoverleving is hierdoor meer dan verdubbeld.”
Opschaling hiervan bleek helaas een probleem door de schaarste aan MRI-scanners in de Nederlandse en buitenlandse ziekenhuizen. Guichelaar wilde daarom een vervolgstap zetten en zocht daarvoor contact met onderzoekers van de CODE-afdeling van Universiteit Twente. “De statistici daar houden zich bezig met de analyse van big data, en dat was precies wat wij nodig hadden om ons idee te kunnen uitwerken. Namelijk: met behulp van AI leverweefsel op MRI-scans analyseren bij patiënten die wel en geen leverkanker ontwikkelen, om zo voorspellende factoren te identificeren. Door betere selectie van patiënten die leverkanker gaan ontwikkelen, kunnen we gericht gaan screenen bij hoogrisicopatiënten en onnodige screening voorkomen bij patiënten met een laag risico.”
Voorspelmodel
Op basis van een ‘Pioneers in Health Care’-subsidie is hiernaar een jaar onderzoek gedaan. De uitkomst daarvan leidde tot ZonMW-subsidie voor vervolgonderzoek. Guichelaar: “Met als resultaat dat AI-analyse van een klein stukje lever op MRI-scans met 94 procent zekerheid kan voorspellen welke patiënt met levercirrose de komende drie jaar wel of niet leverkanker zal krijgen. Hiermee kan MRI heel specifiek worden ingezet bij hoogrisicopatiënten. Dit is in het belang van de patiënt, en de kosten worden met twee derde beperkt.”
Een ontwikkeling van groot belang voor de zorg. “Een op de drie of vier volwassenen heeft leververvetting, ofwel metabole disfunctie geassocieerde steatotische leverziekte (MASLD). Twintig procent daarvan ontwikkelt een chronische leverziekte. Dit kan veroorzaakt worden door alcoholgebruik. Maar het is vooral iets wat ontstaat als gevolg van overgewicht en diabetes. In dit opzicht is het feitelijk een relatief nieuwe ziekte waarvan de ernstige gevolgen, waaronder leverkanker, nu snel toenemen.” Verdere validatie van het voorspelmodel volgt nu, in samenwerking met universiteiten in Chicago (VS) en Linköping (Zweden). Daarnaast start in Nederland een prospectieve studie met 250 MASLD-patiënten die jaarlijks worden gevolgd. “Niet alleen om het model te testen, maar ook om tot een model van explainable AI te komen. De behandelaar wil immers weten wat het precies is dat AI vindt in dat stukje van de lever.” Op de CODE-afdeling van Universiteit Twente gaat postdoc AI, dr. Axel Faes, zich bezighouden met validatie en explainable AI. En aan de faculteit Health Technology and Services Research richt promovendus dr. Jasper van Leengoed zich op klinische studies.”
Digital twinning
Hier blijft het niet bij, stelt Guichelaar. “We willen op meer fronten tot ontwikkeling van voorspelmodellen komen. De patiënten met deze vorm van levercirrose hebben bijvoorbeeld ook een verhoogd risico op andere complicaties van de lever, en hart- en vaatziekten. Een ontwikkeling die hierin een rol kan spelen, is digital twinning. “Ook in onderzoek op dit gebied werken we weer samen met Linköping en Universiteit Twente. Als je op basis van variabelen van de patiënt een virtuele tweeling maakt, kun je daarin tevens medicatie testen.”
Essentieel bij de projecten die Guichelaar noemt, is de beschikbaarheid van grote hoeveelheden data als basis om tot een voorspelmodel te kunnen komen. “Wat dit betreft is het mooi dat er binnen onze regio nu meer samenwerking komt om de data die er zijn gericht te benutten”, zegt ze. “Het identificeren van risicoprofielen wordt voor de toekomst van de zorg steeds belangrijker. De zorg is nu nog heel reactief ingericht. We starten met behandelen als een ziekte zich openbaart. Met data kunnen we de switch maken naar proactieve zorg, om gezondheidsproblemen voor te blijven.” Natuurlijk moeten hierbij alle relevante medisch-ethische vragen worden geadresseerd, zegt ze. “Maar met de onderzoeksrichting die wij nu ingegaan zijn, kunnen we exploreren wat mogelijk is. In de data zit zoveel meer informatie dan we op dit moment gebruiken. Daarbij is het zaak om altijd uit te gaan van wat voor de patiënt waardevol is.”
Van reactief naar proactief
De rode draad in haar onderzoeken is de verschuiving van een reactieve naar een proactieve zorgbenadering. Guichelaars onderzoeksprojecten laten zien dat het anders kan: eerder signaleren, gerichter diagnosticeren en beter voorspellen. Ze licht toe: “Dit is essentieel in een toekomst waarin de zorgvraag toeneemt en het aantal zorgprofessionals onder druk staat. Door slim gebruik te maken van data, technologie en samenwerking tussen disciplines, kan zorg niet alleen efficiënter worden ingericht, maar wordt het ook waardevoller voor de patiënt.”
Een sprekend voorbeeld hiervan is de ontwikkeling van een serious game voor MASLD-patiënten, geïnitieerd door Guichelaar en in samenwerking met afdeling psychologie van Universiteit Twente en Health Sciences van Saxion Hogeschool. Deze patiënten geven in studies aan dat gebrek aan informatievoorziening een belangrijke reden is waarom leefstijlverandering niet lukt. Promovendus Sharon Oude Veldhuis onderzocht welke factoren hierbij een rol spelen. Op basis daarvan ontwikkelde TexTownGames een serious game die aansluit bij de behoeften van patiënten, ondersteund door het MDL Fonds. Momenteel loopt een studie in het MST om de klinische effecten te evalueren.
Lab-on-a-chip
Een ander voorbeeld van de inzet van technologische innovatie voor zorgverbetering is een samenwerkingsproject met dr. Kirsten Pondman van Universiteit Twente op het gebied van lab-on-a-chip. Guichelaar: “Bij patiënten met vocht in de buik kan sprake zijn van een ontsteking. De diagnostiek om dit vast te stellen of uit te sluiten is arbeidsintensief en vergt daardoor veel tijd. Om uit te vinden of dit anders kan, hebben we NWO-subsidie gekregen om via lab-on-a-chip-technologie op een chip de witte bloedcellen te detecteren die hierin een rol spelen. Ook weer een vraagstuk dat duidelijk maakt dat samenwerking tussen clinici en technici van belang is om klinische relevante problemen op te kunnen lossen.”
Juist in deze combinatie van voorspellende modellen, technologische innovatie en patiëntgerichte toepassingen ligt volgens haar de kracht van toekomstbestendig onderzoek. “Het stelt zorgverleners in staat om met minder handen aan het bed toch betere zorg te leveren: sneller waar nodig, maar vooral eerder en gerichter. Daarmee verschuift de focus van behandelen naar voorkomen en het beter identificeren van patiënten. Dat is niet alleen efficiënter, maar bovenal van grotere waarde voor de patiënt.”
