AI helpt beter voorspellen of en wanneer eierstokkanker terugkomt
Welke factoren hangen samen met het terugkomen van eierstokkanker na behandeling? En wanneer krijgt een patiënt zo'n recidief? Datagedreven modellen op basis van gegevens uit de Nederlandse Kankerregistratie (NKR) blijken dat soms beter te kunnen voorspellen dan artsen alleen, zo laat een studie van onder meer Dimitris Katsimpokis van IKNL zien. Hij liet de NKR-gegevens van duizenden patiënten analyseren met behulp van kunstmatige intelligentie (AI).
Bij eierstokkanker is, doordat de diagnose vaak laat gesteld wordt, de kans groot dat de ziekte na de eerste behandeling terugkomt. In het onderzochte cohort van 2029 vrouwen met gevorderde eierstokkanker (FIGO IIB–IV) keerde de kanker na de start van de follow-up bij ongeveer 77% terug. Gemiddeld gebeurde dit anderhalf tot twee jaar na de eerste behandeling.
Welke factoren zijn belangrijk bij het voorspellen?
Artsen hebben op basis van hun ervaring ideeën over welke factoren belangrijk zijn voor het risico op terugkeer van de ziekte, bijvoorbeeld het stadium van de kanker of bepaalde tumorkenmerken. In de studie vergeleken de onderzoekers deze zogeheten ‘expertkennis’ met AI-analyses van grote hoeveelheden patiëntgegevens.
Daaruit bleek dat AI-modellen die gebaseerd zijn op een bredere set variabelen uit de NKR, beter konden voorspellen welke patiënten grotere kans hebben op recidieven dan modellen die gebouwd zijn op basis van alleen expertkennis.
De volgende drie factoren bleken het belangrijkst bij het voorspellen van recidieven:
• De behandeling en hoe succesvol die was (zoals type chirurgie, debulkingresultaat, postoperatieve chemotherapie, aantal kuren platinum).
• Kenmerken van de tumor, zoals FIGO-stadium, differentiatiegraad, histologisch subtype en BRCA-status.
• Persoonlijke omstandigheden, met name de sociaaleconomische positie van de patiënt.
Vooral behandelkenmerken en sociaaleconomische factoren blijken belangrijke, maar door experts niet altijd benoemde voorspellers van ziekte. Omgekeerd bleken sommige door experts belangrijk geachte variabelen, zoals het aantal positieve lymfeklieren, weinig voorspellende waarde te hebben.
Behandeling en controles op maat
Dimitris Katsimpokis benadrukt dat voorspellingsmodellen op basis van AI niet de expertise van artsen vervangen. Wel kunnen ze helpen om patronen te vinden in grote hoeveelheden data. ‘Door medische kennis te combineren met analyses van patiëntgegevens kunnen voorspellingen over het verloop van de ziekte verbeteren.’
Het uiteindelijke doel is dat artsen beter kunnen inschatten welke patiënten een groter risico hebben op terugkeer van eierstokkanker, zodat artsen de behandeling en controles beter op maat kunnen inzetten. Katsimpokis: ‘Een aandachtspunt bij deze studie is dat de gevonden verbanden statistische associaties laten zien en geen causale relaties. De studie helpt wel bij de identificatie van risicogroepen, maar er is meer onderzoek nodig om causaliteit vast te stellen en daarmee behandelingen te verbeteren.’
Bij toekomstig onderzoek zou het goed zijn om meer (patiënt)gegevens mee te nemen, bijvoorbeeld uit het dossier van de huisarts, vanuit patiëntvragenlijsten, maar bijvoorbeeld ook informatie over de kwaliteit van het operatieteam. Daarmee kunnen prognosemodellen verder geoptimaliseerd worden.
Conclusie in het kort
Datagedreven modellen op basis van de Nederlandse Kankerregistratie voorspellen de terugkeer van eierstokkanker beter dan een model dat uitsluitend is gebaseerd op expertkennis. Toch blijft de voorspellende nauwkeurigheid van de modellen matig. Toekomstig onderzoek kan datasets uitbreiden (bijvoorbeeld met eerstelijnszorgdata of tijdsafhankelijke variabelen) en mogelijk complexere modellen inzetten om voorspellingen verder te verbeteren.
Lees het hele artikel 'Ovarian cancer recurrence prediction: comparing confirmatory to real-world predictors with machine learning'.
Voor meer informatie over deze studie kun je contact opnemen met Dimitris Katsimpokis of Hans Wenzel van IKNL.
