AI en machine learning kunnen mogelijk helpen om beter te voorspellen hoe snel amyotrofische laterale sclerose (ALS) zich ontwikkelt en welke lichaamsfuncties het eerst worden aangetast. Onderzoekers van de Japanse Nagoya University ontwikkelden daarvoor een nieuw AI-model dat patronen in ziekteverloop herkent op basis van routinematig verzamelde patiëntgegevens.
ALS is een progressieve neurodegeneratieve aandoening waarbij patiënten geleidelijk spierkracht verliezen, met uiteindelijk gevolgen voor bewegen, spreken en ademhalen. Het ziekteverloop verschilt echter sterk per patiënt. Sommige patiënten gaan langzaam achteruit, terwijl anderen binnen korte tijd ernstige beperkingen ontwikkelen.
Tot nu toe richtten bestaande AI-modellen zich meestal op één aspect van de ziekte: óf de snelheid van achteruitgang óf het patroon waarin functies uitvallen. Het nieuwe systeem, DiSPAH (Disease Progression Speed and Pattern Analysis for ALS), combineert beide factoren in één analyse. Voor de ontwikkeling gebruikten de onderzoekers gegevens van patiënten met zogenoemde ledemaat-beginnende ALS, waarbij de eerste symptomen optreden in armen of benen. Het model werd getraind op data van 264 patiënten en vervolgens gevalideerd met een tweede dataset van 2.565 patiënten. De resultaten zijn gepubliceerd in npj Digital Medicine.
Zes herkenbare ziektepatronen
Met behulp van machine learning identificeerde DiSPAH zes verschillende patronen van ziekteprogressie. Sommige patiënten vertoonden een relatief langzaam verlies van motorische functies, terwijl spraak- en ademhalingsproblemen beperkt bleven. Andere patiënten lieten juist een veel sneller en ernstiger ziekteverloop zien.
Daarnaast ontdekte het model subtielere verschillen. Bij sommige patiënten verslechterden grove motorische functies, zoals lopen, eerder dan fijne handbewegingen zoals schrijven of knopen dichtmaken. Bij anderen gebeurde precies het omgekeerde. Volgens medeonderzoeker Yuichiro Yada kwamen dezelfde zes patronen naar voren in beide patiëntengroepen, wat erop wijst dat het om robuuste en breed voorkomende ziekteprofielen gaat.
Opvallend was bovendien dat de snelheid van achteruitgang en het patroon van functieverlies grotendeels onafhankelijk van elkaar bleken. Een patiënt kan dus een ernstig ziektepatroon vertonen dat zich langzaam ontwikkelt, terwijl een andere patiënt met een relatief milder patroon juist snel achteruitgaat.
Ziekteverloop voorspellen
Een van de belangrijkste bevindingen is dat het model al op basis van gegevens uit het eerste consult een inschatting kan maken van zowel de progressiesnelheid als het waarschijnlijke ziektepatroon. Daarvoor gebruikt DiSPAH onder meer functionele beoordelingen en genetische informatie. Deze vroege voorspellingen kunnen artsen helpen bij behandelplanning, het informeren van patiënten en hun familie en het beter selecteren van deelnemers voor klinische studies.
Het onderzoek bracht ook een mogelijke biologische verklaring aan het licht voor verschillen in ziekteverloop. Patiënten met een mutatie in het C9orf72-gen bleken gemiddeld sneller achteruit te gaan. Aanvullende laboratoriumanalyses van motorneuronen, gekweekt uit stamcellen van patiënten, suggereren dat verstoringen in de eiwitverwerking en verhoogde cellulaire stress mogelijk bijdragen aan deze versnelde progressie. Dat biedt onderzoekers nieuwe aanknopingspunten voor toekomstig ALS-onderzoek.
De onderzoekers benadrukken dat DiSPAH voorlopig nog een onderzoeksinstrument is. Verdere validatie is nodig voordat het model kan worden ingezet voor individuele behandelbeslissingen. Op termijn hopen zij de technologie uit te breiden naar andere vormen van ALS en mogelijk ook naar aandoeningen zoals de ziekte van Alzheimer en Parkinson.
Onderzoek naar behandeling ALS
Onderzoekers van de Universiteit van Stockholm hebben vorig jaar ontdekt waarom sommige motorneuronen bestand zijn tegen de schade die ontstaat bij amyotrofische laterale sclerose (ALS). Door miljoenen mRNA-moleculen te analyseren bij een erfelijke vorm van ALS, zagen zij dat motorneuronen die de oogspieren aansturen van nature hoge niveaus bevatten van beschermende factoren zoals En1, Pvalb, Galanin en Cd63. Kwetsbare motorneuronen proberen deze beschermende genen eveneens te activeren, samen met genen die herstel van zenuwverbindingen stimuleren, maar deze reactie blijkt vaak onvoldoende om verdere achteruitgang te voorkomen.
Met behulp van machine learning identificeerden de onderzoekers daarnaast drie veelbelovende biomarkers voor ALS: VGF, INA en PENK. Deze genen bleken betrouwbare indicatoren van de ziekte, ongeacht de onderliggende genetische mutatie. De bevindingen bieden nieuwe aanknopingspunten voor zowel de ontwikkeling van therapieën die natuurlijke beschermingsmechanismen versterken als voor een eerdere diagnose en betere monitoring van ziekteprogressie. Het onderzoek werd uitgevoerd in samenwerking met het Paris Brain Institute en de Universiteit van Örebro.
Referenties
npj Digital Medicine (onderzoek)
