Onderzoekers van UZ Leuven en KU Leuven hebben een AI-model ontwikkeld dat op basis van één netvliesfoto kan voorspellen hoe snel glaucoom bij een patiënt waarschijnlijk zal verergeren. Daarmee kan mogelijk al bij de diagnose worden bepaald welke patiënten intensievere behandeling en opvolging nodig hebben.
Bij glaucoom raakt de oogzenuw geleidelijk beschadigd. Omdat deze schade onomkeerbaar is, is de behandeling erop gericht verder verlies van gezichtsvermogen te voorkomen. Dat gebeurt doorgaans door de oogdruk te verlagen met oogdruppels, laserbehandeling of chirurgie. De keuze voor de juiste aanpak is echter complex. Een te lichte behandeling kan leiden tot blijvend zichtverlies, terwijl een te intensieve behandeling onnodige bijwerkingen of complicaties kan veroorzaken.
Ontbrekende informatie bij diagnose
Voor zorg op maat kijken artsen onder meer naar de leeftijd van de patiënt, oogdruk, bestaande schade en de snelheid waarmee glaucoom zich ontwikkelt. Vooral die laatste factor vormt een probleem: bij de diagnose is nog niet bekend hoe snel de ziekte zal verergeren. Daarvoor zijn doorgaans maanden of jaren aan vervolgonderzoek nodig.
“Net die informatie hebben we nodig om te bepalen hoe intensief we iemand moeten opvolgen of behandelen”, zegt prof. dr. Ingeborg Stalmans, oogarts bij UZ Leuven en professor aan KU Leuven. Volgens haar kan het nieuwe model dit ontbrekende puzzelstuk mogelijk al bij de diagnose invullen.
AI leert van jarenlange opvolging
Voor de ontwikkeling van het model gebruikten de onderzoekers fundusfoto’s, kleurenfoto’s van het netvlies die al worden gebruikt voor het diagnosticeren en opvolgen van glaucoom. De eerste foto van iedere patiënt werd gekoppeld aan gegevens die tijdens jarenlange opvolging in UZ Leuven waren verzameld.
Op basis daarvan leerde het AI-model welke kenmerken op een netvliesfoto verband houden met een sneller of juist trager ziekteverloop. Vervolgens werd onderzocht of het systeem direct vanaf de eerste foto een voorspelling kon doen.
Om te beoordelen of het model ook buiten de oorspronkelijke onderzoekspopulatie bruikbaar is, werd het getest met patiëntgegevens uit andere ziekenhuizen in België, Finland, Duitsland en China. Daarbij waren ook foto's betrokken die met verschillende apparatuur waren gemaakt.
Eerder intensiever behandelen
Een betrouwbare vroege voorspelling kan gevolgen hebben voor de behandelstrategie. Nieuwe glaucoompatiënten beginnen nu vaak met een standaardbehandeling, waarna tijdens de opvolging duidelijk wordt hoe snel de ziekte verergert. Bij patiënten met snelle progressie kan ondertussen echter al onherstelbaar zichtverlies optreden. Wanneer AI al bij de diagnose een hoog risico op snelle achteruitgang aangeeft, kunnen artsen eerder kiezen voor intensievere controles of een zwaardere behandeling, zoals chirurgie. Patiënten met een laag risico zouden juist minder belastend behandeld en minder frequent gecontroleerd kunnen worden.
De Leuvense onderzoekers ontwikkelden eerder al een AI-model voor het opsporen van glaucoom op netvliesfoto's. Met het nieuwe model verschuift de toepassing van AI van detectie naar prognose. Voordat het systeem tijdens reguliere consulten kan worden gebruikt, onderzoeken de teams nog hoe de risico-inschatting het beste in de dagelijkse klinische praktijk kan worden geïntegreerd.
AI ondersteunt oogartsen
Deep-learning models kunnen oogartsen ondersteunen bij het diagnosticeren van infectieuze keratitis (IK), een hoornvliesontsteking die wereldwijd miljoenen mensen treft en een belangrijke oorzaak is van hoornvliesblindheid. Vooral in regio’s met beperkte toegang tot gespecialiseerde oogzorg kan AI meerwaarde bieden. Ruim een jaar geleden werd een analyse van 35 studies met in totaal ruim 136.000 hoornvliesbeelden uitgevoerd. Die analyse liet zien dat AI-modellen vergelijkbaar of iets beter presteren dan oogartsen. De modellen bereikten een gevoeligheid van 89,2 procent en een specificiteit van 93,2 procent, tegenover respectievelijk 82,2 en 89,6 procent bij oogartsen.
Daarnaast konden de AI-modellen onderscheid maken tussen gezonde en geïnfecteerde hoornvliezen en tussen verschillende oorzaken, waaronder bacteriële en schimmelinfecties. De onderzoekers zien daarom potentieel voor snellere en beter toegankelijke diagnostiek. Voor toepassing in de klinische praktijk zijn echter verdere externe validatie en meer diverse datasets nodig om de betrouwbaarheid voor verschillende patiëntengroepen te waarborgen.
In Nederland werd al in 2020 gestart met het project 'Glaucoom in Beeld'. Aan de hand van meer dan 100.000 fundusfoto's werden computers met behulp van AI 'getraind' op het herkennen van glaucoom. Hiervoor werden alle fundusfoto's eerst door twee specialisten beoordeeld. Die gegevens werden, samen met de foto's in het computersysteem ingevoerd. Vervolgens werd gekeken of de computer dezelfde diagnose stelt als de specialisten. Door de enorme hoeveelheid aan foto's en beoordelingen zal de computer, met behulp van AI leren om aan de hand van een fundusfoto te bepalen of het betreffende oog glaucoom heeft.
Referenties
Onderzoek UZ Leuven (The Lancet)
