Elk jaar wordt er tijdens de Wetenschapsdag in het ASz één poster pitch uitgeroepen tot de beste van dat jaar. Dit jaar was Paul Nijsse de gelukkige winnaar met zijn poster over de inzet van machine learning voor het vroegtijdig herkennen van Myeloproliferatieve Neoplasmata (MPN). We vroegen Paul Nijsse naar zijn onderzoek.
Kan je ons iets over jezelf vertellen?
“Ik ben net afgestudeerd als student in technische geneeskunde (ofwel klinische technologie) aan de universiteit in Delft, Rotterdam en Leiden. In 2021 heb ik mij drie maanden in het ASz beziggehouden met deep learning om longmetastasen te detecteren op PET/CT-scans. Ruim een jaar later kon ik het niet laten om terug te keren naar dit mooie ziekenhuis. In het afgelopen jaar heb ik voor mijn afstudeerstage onderzoek gedaan naar machine learning om bloedafwijkingen op te sporen. Mijn stage (en daarmee mijn studie) heb ik eind september met een mooi resultaat afgerond. Daarmee is een einde gekomen aan een fijne tijd in het ASz. In 2024 start mijn volgende uitdaging en vertrek ik voor onbepaalde tijd naar Uganda om daar als technisch geneeskundige te gaan werken.”
Kan je een samenvatting van de studie geven?
“Het ASz is een expertisecentrum op het gebied van Myeloproliferatieve Neoplasmata (MPN). Bij dit zeldzame ziektebeeld is de bloedcelvorming in het beenmerg gestoord. Dit heeft cardiovasculaire complicaties als gevolg, veelal door trombosevorming. De overige symptomen zijn echter grotendeels aspecifiek, zoals hoofdpijn, zwakte en gewichtsverlies.
We zien een urgentie om MPN sneller te diagnosticeren. In een retrospectieve analyse van 534 MPN-patiënten in het ASz zien we een gemiddelde van 413 dagen tussen de eerste afwijkende bloedwaarden en de daadwerkelijke MPN-diagnose. Deze lange tijd tot diagnose zien we ook in de literatuur terug.
In een samenwerking tussen de afdeling Hematologie, het Result Laboratorium en de afdeling Klinische Fysica, ontwikkelden we een algoritme dat MPN-patiënten in de dagelijkse stroom van bloedanalyses herkent op basis van bloedbepalingen. Op dit moment kunnen we MPN herkennen met een sensitiviteit van 0,74 en een specificiteit van 0,84. In een retrospectieve analyse zien we dat het algoritme de helft van onze eigen patiënten (45-62%) meer dan een jaar voor hun daadwerkelijke diagnose als een MPN-patiënt zou hebben herkend. Met deze toepassing van machine learning laten we zien dat een artificieel intelligent systeem in staat is om een beenmergziekte te herkennen op basis van bloedwaarden.”
Komt er een vervolg aan de studie?
“Hoewel mijn afstudeerstage afgerond is, geldt dat niet voor dit onderzoek. Het wordt voortgezet door enthousiaste collega’s die zich momenteel inzetten om de specificiteit verder te verhogen. Dit gaat helpen om onnodige overdiagnostiek te voorkomen. Dit vervolgonderzoek gaat ook helpen om het algoritme bruikbaar te maken voor daadwerkelijke klinische implementatie.”
Waar kijk je met plezier en trots op terug in je stage?
“De hele mooie samenwerking tussen verschillende afdelingen om samen te komen tot een snellere diagnose voor onze patiënten. Fijn om onderdeel te zijn van een team dat zogezegd over muren heen kan kijken en zo elkaar vindt. Juist door deze goede manier van samenwerken staan we nu op dit punt: het is ons gelukt om MPN-patiënten vroeger te herkennen!”
Welke mogelijkheden voor machine learning zie jij voor de toekomst?
“Machine learning is een verzamelnaam voor allerlei computeralgoritmes, die in staat zijn grote hoeveelheden data te versimpelen en op basis daarvan een resultaat te geven. Op dit moment worden deze technieken vooral ingezet voor beslissingsondersteuning en voor de verwerking van (medische) afbeeldingen. Nu we al enige tijd medische gegevens digitaal opslaan, wordt het steeds eenvoudiger om met deze data nieuwe machine learning-modellen te trainen om bijvoorbeeld ziekten te herkennen. Het project dat wij hebben gedaan, is een voorbeeld van een mooie toepassing hiervan. Het is onmogelijk voor een hematoloog om het volledige medische dossier te controleren bij iedere enigszins afwijkende bloedbepaling die in het lab gedaan wordt. De data zijn echter wel aanwezig. Machine learning kan dan helpen om al deze data samen te brengen en ze ‘te versimpelen’ naar een waarschijnlijkheid dat bepaalde bloedbepalingen horen bij een MPN-patiënt. Zo worden wél alle afwijkende bepalingen gecontroleerd, maar hoeft een hematoloog zich alleen te buigen om de daadwerkelijk verdachte bepalingen. Vergelijkbare screening-achtige toepassingen zullen op de middelkorte termijn alleen maar meer ontwikkeld en toegepast worden.”
