Met routinedata het verloop van Parkinson voorspellen

Kunstmatige intelligentie kan mogelijk helpen voorspellen welke mensen met de ziekte van Parkinson een verhoogd risico hebben op snelle cognitieve of motorische achteruitgang. Onderzoekers van de Universiteit van Miami ontwikkelden machine learning-modellen die deze achteruitgang drie tot vijf jaar van tevoren kunnen voorspellen. Opvallend genoeg bleken routinematig verzamelde klinische gegevens daarbij waardevoller dan structurele MRI-beelden.

De resultaten kunnen op termijn bijdragen aan een meer gepersonaliseerde monitoring van Parkinsonpatiënten. Daarnaast zien de onderzoekers mogelijkheden om AI te gebruiken bij de selectie van deelnemers aan klinische onderzoeken.

Verschillend ziekteverloop

Het verloop van Parkinson verschilt sterk per patiënt. Sommige mensen blijven jarenlang relatief stabiel, terwijl anderen snel achteruitgaan in motorische of cognitieve functies. Om die verschillen beter te kunnen voorspellen, ontwikkelden de onderzoekers modellen met gegevens van 1.602 deelnemers aan het Parkinson’s Progression Markers Initiative. Vervolgens werden de modellen extern gevalideerd bij 541 patiënten uit het Parkinson’s Disease Biomarkers Program.

Snelle cognitieve achteruitgang werd gedefinieerd als een daling van minimaal vijf punten op de Montreal Cognitive Assessment (MoCA). Bij motorische achteruitgang hanteerden de onderzoekers een stijging van tien punten op de motorische component van de Movement Disorder Society Unified Parkinson Disease Rating Scale.

De modellen combineerden klinische basisgegevens met informatie over veranderingen in de hersenstructuur uit MRI-scans. Daarnaast onderzochten de wetenschappers of veranderingen die gedurende het eerste jaar na de diagnose werden gemeten de voorspellingen konden verbeteren.

Routinedata waardevoller dan MRI

Aanvankelijk verwachtten de onderzoekers dat MRI-metingen van hersenatrofie een belangrijke bijdrage zouden leveren. Dat bleek nauwelijks het geval. De beste modellen op basis van klinische gegevens behaalden AUROC-waarden boven 0,80 en konden daarmee goed onderscheid maken tussen patiënten met een hoger en lager risico op achteruitgang.

Toevoeging van structurele MRI-gegevens verbeterde de prestaties doorgaans niet. Bij sommige modellen voor motorische achteruitgang nam de voorspellende nauwkeurigheid zelfs af. Volgens hoofdauteur Ihtsham ul Haq, hoogleraar neurologie aan de Miller School of Medicine van de Universiteit van Miami, onderstrepen de resultaten dat meer of technologisch geavanceerdere gegevens niet automatisch betere voorspellingen opleveren. Vooral de relevantie van de gebruikte informatie blijkt van belang.

Ook longitudinale gegevens bleken waardevol. Wanneer informatie over veranderingen gedurende het eerste jaar na de diagnose aan de uitgangsmetingen werd toegevoegd, werden de voorspellingen nauwkeuriger. Daarmee kunnen patronen zichtbaar worden die tijdens afzonderlijke consulten moeilijker zijn te herkennen.

De belangrijkste voorspellende signalen verschilden per uitkomst. Voor motorische achteruitgang waren onder meer resultaten van een synucleïne-seed-amplificatietest en veranderingen in motorische scores gedurende het eerste jaar belangrijk. Voor cognitieve achteruitgang was vooral een vroege verslechtering van cognitieve prestaties informatief. Ook de snelheid van motorische achteruitgang droeg bij aan het voorspellen van latere cognitieve problemen.

Persoonlijker monitoren

De onderzoekers benadrukken dat AI het klinische oordeel moet ondersteunen en niet vervangen. Een mogelijke toepassing is het eerder herkennen van patiënten die baat kunnen hebben bij intensievere monitoring. Een beter beeld van het individuele risico kan daarnaast helpen bij gesprekken over factoren die volgens de onderzoekers van invloed kunnen zijn op de hersengezondheid, waaronder lichaamsbeweging, bloeddruk, gehoor en gezichtsvermogen.

Ook voor klinisch onderzoek kan de technologie relevant zijn. De snelheid waarmee Parkinson zich ontwikkelt, varieert sterk tussen deelnemers. Dat maakt het lastiger om te bepalen of een experimentele behandeling daadwerkelijk de ziekteprogressie vertraagt.

Met AI zouden onderzoekers mogelijk patiënten kunnen selecteren bij wie gedurende een studie waarschijnlijk voldoende ziekteprogressie meetbaar is. Deze vorm van ‘trial enrichment’ kan helpen om effecten van behandelingen beter te onderscheiden van natuurlijke verschillen in ziekteverloop.

Externe validatie

Een belangrijk onderdeel van het onderzoek was de validatie in een onafhankelijke patiëntengroep. De modellen lieten daarin vergelijkbare prestaties zien als in de dataset waarmee ze waren ontwikkeld. Dat ondersteunt de bevinding dat de geïdentificeerde patronen niet uitsluitend gelden voor de oorspronkelijke onderzoekspopulatie.

De modellen zijn nog niet bedoeld om in de dagelijkse praktijk de individuele toekomst van Parkinsonpatiënten te voorspellen. De onderzoekers willen nu nagaan of vergelijkbare methoden bruikbaar zijn bij andere neurodegeneratieve aandoeningen, waaronder Alzheimer. Eerder is al eens vergelijkbaar onderzoek gedaan voor het verloop van ALS te voorspellen. Ook willen zij onderzoeken of gegevens over hersenconnectiviteit aanvullende voorspellende waarde hebben.

De studie laat vooral zien dat gegevens die tijdens reguliere Parkinsonzorg al worden verzameld een belangrijke bron kunnen vormen voor prognostische AI. Herhaalde klinische metingen kunnen daarbij meer voorspellende informatie bevatten dan geavanceerde structurele hersenbeelden.