Met patroonherkenning betere behandelingen voor patiënten met reumatoïde artritis

portret Rachel Knevel
Hoe kunnen we patiënten met reumatoïde artritis (RA) op de persoon afgestemde en betere behandelingen aanbieden? En hoe kan patroonherkenning hierbij helpen? Hiernaar gaat Rachel Knevel, reumatoloog aan het Leids Universitair Medisch Centrum, onderzoek doen met een Klinische Fellows beurs. Ze gaat daarbij met kunstmatige intelligentie data uit de kliniek analyseren.

Reumatoïde artritis: een veelkoppig monster

Reumatoïde artritis (RA) is een ongeneeslijke ziekte die kan leiden tot ernstige handicaps. Bij 66% van de patiënten blijkt de eerste behandeling onvoldoende effectief. We weten dat de ziekte door een combinatie van genen en infecties ontstaat. Maar er is te weinig kennis over de ontwikkeling van de ziekte. Er bestaat ook geen test die kan bewijzen dat iemand RA heeft, maar dit gebeurt op basis van klachten. Er zijn ook grote verschillen binnen de groep mensen met RA. ‘Reumatoïde artritis’, zegt Rachel Knevel, ‘is een veelkoppig monster. Het gaat om gewrichtsontstekingen als gevolg van auto-immuunproblemen die nog niet goed te labelen zijn. Het ziektebeeld is niet eenduidig, er valt dus veel te puzzelen en je kunt er complexe statistiek op loslaten. De ziekte sluimert vaak al jaren voordat duidelijke symptomen merkbaar zijn. De triggers zijn onbekend. Het verloop van de ziekte valt evenmin te voorspellen.

Patroonherkenning

Koren op de molen van Rachel Knevel, die opbloeit bij een onderzoeksvraag waarin patroonherkenning een belangrijke rol speelt, maar waarbij de methoden er nog niet zijn om die te kunnen identificeren. Ze zegt: ‘Het patroon dat we denken te zien bij patiënten met reumatoïde artritis, klopt niet. De werkelijkheid van patiënten met deze ziekte is veel fijnmaziger, veel minder eenduidig dan we denken en we hebben data-analyses nodig om zinvol onderscheid te kunnen maken.’ Zij en haar onderzoeksteam maken daarbij gebruik van ‘unsupervised cluster analyse’. Dat is het zoeken naar gelijkenissen tussen patiënten zonder dat je weet welke patiënten bij elkaar horen of op basis waarvan ze op elkaar zouden moeten lijken. Ook past ze ‘machine learning’ toe. Dat is een breed onderzoeksveld binnen kunstmatige intelligentie, dat zich bezighoudt met de ontwikkeling van algoritmes en technieken waarmee computers kunnen leren.

Spieken bij collega’s

Knevel geeft leiding aan een groep datawetenschappers en bio-informatici. ‘Ik had al langer het vermoeden dat de methodieken die binnen de bio-informatica gangbaar zijn ook goed passen bij dit type onderzoek’, zegt ze. Dus ging ze ‘spieken bij collega’s die cellen onderzochten’ en onderzoekt ze nu of ze die methoden ook kan toepassen op patiëntendossiers in plaats van cellen. Het bronmateriaal, de data uit de patiëntendossiers zelf, moet eerst vergelijkbaar gemaakt worden. Dat gebeurt via ‘natural language processing’. Daarnaast gebruikt ze longitudinale data-analyse, clustermethoden en regularisatietechnieken in haar onderzoek.

Hergebruik van patiëntendata

In haar onderzoek combineert Knevel big data uit elektronische patiëntendossiers, uit genetica en uit serologie, onderzoek naar antistoffen. ‘Allemaal gegevens van mensen die het net of al langere tijd hebben. Meerdere factoren kunnen leiden tot het ontstaan van reumatoïde artritis, het gaat hier niet om één op één-relaties. Om welke factoren het dan precies gaat die de ontstekingen veroorzaken, dat kan ook weer per patiënt verschillen.’ Doel van haar onderzoek is uiteindelijk tot profielen te komen van mensen die op elkaar blijken te lijken. Uiteindelijk wil ze beter op de persoon afgestemde en snellere behandelingen kunnen aanbieden, door bij nieuwe patiënten op basis van voorgeschiedenis, genetica en serologie te bekijken tot welk profiel ze horen.

Bio-informatica en data-analyse

In 2014 promoveerde ze op een onderzoek naar het genetische profiel van schade bij mensen met reumatoïde artritis. Om zich verder te specialiseren in de bio-informatica en big data-analyse heeft ze van 2016 tot en met 2018 gewerkt als onderzoeker aan Harvard Medical School in Boston, Amerika. Daar leerde ze ook programmeren. Ze is daar dankbaar voor. ‘Ook al kunnen de bio-informatisch geschoolde collega’s in mijn onderzoeksgroep het veel sneller, ik weet tenminste hoe het werkt en kan het daardoor goed superviseren.’ Ze ontwikkelde in Boston ook G-PROB, een instrument dat het mogelijk maakt op basis van genetica verschillende oorzaken van gewrichtsontsteking te kunnen identificeren.

Bruggenbouwer tussen kliniek en onderzoek

Rachel Knevel vindt het ideaal, haar werk in de spreekkamer kunnen combineren met onderzoek doen. Ze wil deel van de oplossing zijn, sneller betere behandelingen aan kunnen bieden. En wat zou ze doen als ze in plaats van 200.000, 2 miljoen euro tot haar beschikking had? Haar antwoord komt meteen. ‘Nog dieper de heterogeniteit bij de poli reumatologie onderzoeken.’ Ze zou bijvoorbeeld willen onderzoeken of al uitgevoerd onderzoek overlapt, ze zou haar lampje dat patronen zoekt op een breder zoekgebied dan alleen binnen reumatoïde artritis willen laten schijnen.

portret Rachel Knevel
1 / 1

Patronen ontdekken

De studie medicijnen ging prima, maar die vond ze stoffig. Totdat het opeens ging leven toen ze zich met patiëntcommunicatie bezighield en ze daar patronen in ging ontdekken. Het patroondenken en vooral de fascinatie voor het ontdekken van patronen in een woestijn aan data. Dit is het type onderzoek waar je haar voor wakker kunt maken. ‘Nog onontdekte verbanden zien, onderzoek waarbij je hypothesen genereert en toetst, grasduinen en zoeken naar structuur, dat is wat ik graag doe en goed kan.’