Artificiële intelligentie kan helpen bij de diagnostiek van secundair progressieve MS

De meeste mensen met MS hebben eerst relapsing remitting MS, die later overgaat in secundair progressieve MS. Artsen diagnosticeren de start van secundair progressieve MS vaak achteraf, omdat het moeilijk is om vast te stellen welke patiënten een hoog risico hebben op deze vorm. De vraag die enkele onderzoekers uit Uppsala in Zweden zich stelden, was of modellen voor artificiële intelligentie die zijn getraind op longitudinale klinische gegevens van MS-patiënten deze overgang betrouwbaar konden vaststellen. 

De onderzoekers gebruikten klinische gegevens van ruim 14.000 patiënten uit de Zweedse MS-registratie. Deze patiënten bezochten het ziekenhuis gezamenlijk ruim 100.000 maal. De klinische gegevens omvatten onder andere geslacht, leeftijd waarop de MS begon, EDSS-scores, informatie over aanvallen en behandeling, en resultaten van MRI-scans, vragenlijsten en een cognitieve test (de SDMT). 

Met de klinische gegevens trainden de onderzoekers verschillende voorspellende modellen, waaronder een deep-learningmodel. Doel was om de ziektevorm, relapsing remitting MS (RRMS) of secundair progressieve MS (SPMS), tijdens een visite te voorspellen op basis van klinische gegevens tijdens eerdere visites. Traditionele modellen presteerden hierin iets beter dan het deep-learningmodel. De beste voorspelling kwam tot stand met enkele basale gegevens, namelijk de leeftijd waarop de MS begon, de leeftijd tijdens de visite waarop de voorspelling zich richtte en EDSS-scores, in combinatie met informatie over MS-aanvallen. Toevoeging van andere kenmerken gaf geen betere voorspelling. 

De prestaties van de AI-modellen waren gebaseerd op voorspellingen op groepsniveau, maar hiermee kon de betrouwbaarheid van een individuele voorspelling niet vastgesteld worden. De onderzoekers vulden hun modellen daarom aan met een andere techniek (conformal prediction, CP) die dit wél mogelijk maakte. Artsen kunnen de AI-modellen met CP in de toekomst mogelijk gebruiken als ondersteuning bij de diagnostiek van SPMS. Geïnteresseerden die gegevens van patiënten willen testen, kunnen daarvoor terecht op een door de onderzoekers ontwikkelde website.² 

Bron: 

1. Parakkal Sreenivasan A, Burman J, Kultima K, et al. Predicting disease course in Multiple Sclerosis using deep learning on clinical data. ECTRIMS 2023, abstract O035/2306.
2. Caramba, Pharmb.io, Uppsala Universitet, Akademiska Sjukhuset. Prediction of disease progression in multiple sclerosis.