Onderzoekers van het Dana-Farber Cancer Institute hebben een nieuwe, vrij toegankelijke online tool ontwikkeld die artsen helpt beter te voorspellen wanneer een voorstadium van beenmergkanker, ofwel ‘smoldering multiple myeloma’ (SMM), overgaat in actieve ziekte. De resultaten van het onderzoek wijzen op belangrijke verbeteringen in risicostratificatie en patiëntmonitoring.
Traditionele voorspellingsmodellen voor SMM zijn gebaseerd op een statische analyse van laboratoriumwaarden: een momentopname die slechts beperkt inzicht geeft in het ziekteverloop.
Dynamische analyse
De nieuwe tool, PANGEA-SMM, introduceert een dynamische benadering door veranderingen in biomarkers in de loop van de tijd mee te nemen. Hierdoor ontstaat een nauwkeuriger beeld van de snelheid en richting waarin de ziekte zich ontwikkelt.
Volgens de onderzoekers maakt deze aanpak het mogelijk om patiënten met een hoog risico op progressie tijdig te identificeren en gericht te behandelen. Tegelijkertijd kunnen patiënten met een stabiel ziektebeeld worden gevrijwaard van onnodige therapieën, wat bijdraagt aan een meer gepersonaliseerde zorgbenadering. De resultaten van het onderzoek zijn gepubliceerd in Nature Medicine.
Vier biomarkers als basis
Voor de ontwikkeling en validatie van PANGEA-SMM analyseerde het onderzoeksteam gegevens van 2.344 patiënten uit zeven internationale centra, een van de grootste cohorten tot nu toe. Daarbij werden vier dynamische biomarkers geïdentificeerd die routinematig worden gemeten en een sterke relatie hebben met ziekteprogressie: M-proteïne, lichte ketens, nierfunctie en bloedwaarden.
Veranderingen in deze biomarkers fungeren als ‘red flags’. Zo kan een relatief kleine toename van M-proteïne over een periode van 18 maanden al wijzen op een verhoogd risico op het ontwikkelen van actieve multipel myeloom.
Minder afhankelijk van invasieve diagnostiek
Een belangrijk voordeel van de tool is dat deze ook betrouwbaar blijft zonder recente gegevens uit beenmergbiopten. Dat maakt continue monitoring mogelijk tijdens reguliere controles, zonder dat patiënten frequent belastende en invasieve onderzoeken hoeven te ondergaan.
De tool is als online calculator direct beschikbaar en kan eenvoudig worden geïntegreerd in de klinische praktijk. Daarnaast biedt het mogelijkheden om prestaties te vergelijken met bestaande modellen, zoals de 20/2/20- en IMWG-risicoscores.
Multipel myeloom is een complexe ziekte die vaak voorafgegaan wordt door SMM, maar waarvan het verloop sterk kan variëren. Met de recente beschikbaarheid van behandelingen voor hoogrisicopatiënten groeit de behoefte aan nauwkeurige en tijdige risicobeoordeling.
De onderzoekers verwachten dat PANGEA-SMM een belangrijke stap vormt richting datagedreven en gepersonaliseerde zorg. Door beter inzicht in ziekteprogressie kunnen behandelbeslissingen worden geoptimaliseerd en patiëntuitkomsten worden verbeterd. Verdere studies richten zich op het verfijnen van het model en het bepalen van optimale monitoringstrategieën.
Open source oplossingen
Vorig jaar hebben onderzoekers van de Technische Universiteit Eindhoven (TU/e) een nieuw AI-basismodel ontwikkeld dat artsen helpt afwijkingen op CT-scans sneller en nauwkeuriger te herkennen, wat eerdere diagnoses van onder meer kanker mogelijk maakt. Het model is getraind op meer dan 250.000 scans en maakt gebruik van self-supervised learning, waardoor het zelfstandig verbanden leert zonder uitgebreide handmatige labeling.
Het foundation model wordt open source beschikbaar gesteld, zodat ziekenhuizen en onderzoekers wereldwijd eigen toepassingen kunnen ontwikkelen. De ontwikkeling was mogelijk dankzij de supercomputer SPIKE-1, die grote hoeveelheden beelddata tegelijk kan verwerken. Volgens de onderzoekers verlaagt dit de drempel voor innovatie in de zorg en stimuleert het samenwerking, ook bij zeldzame aandoeningen waar data schaars is.
