Boven – Header

KU Leuven ontwikkelt computeralgoritmes voor diagnose artritis bij kinderen

Een team wetenschappers van het Vlaamse VIB en KU Leuven heeft een machine learning-algoritmeontwikkeld dat met bijna 90% nauwkeurigheid artritis kan vaststellen bij kinderen, enkel op basis van een bloedtest. De nieuwe bevindingen effenen de weg voor het gebruik van machine learning voor een snellere diagnose en om te voorspellen welke juveniele artritispatiënten het best zullen reageren op verschillende behandelingen.

 

Juveniele idiopathische artritis is de meest voorkomende reumatoïde aandoening bij kinderen, maar de symptomen, ernst en evolutie kunnen erg variëren. Deze diversiteit maakt een vroege classificatie van patiënten en keuze van de optimale behandeling erg moeilijk. Om de diagnose en behandeling te kunnen verbeteren bracht een team van onderzoekers van VIB, KU Leuven en UZ Leuven het immuunsysteem van honderden kinderen met en zonder juveniele artritis in groot detail in kaart.

Behandelingsopties verbeteren

“We hebben bloedstalen genomen van meer dan 100 kinderen, waarvan twee derde juveniele artritis had,” legt Erika Van Nieuwenhove (VIB-KU Leuven), eerste auteur van het onderzoek, uit. “We analyseerden het immuunsysteem van de kinderen in meer detail dan ooit tevoren en op deze gegevens lieten we machine learning algoritmes los.”

De resultaten waren opmerkelijk: het algoritme was ongeveer 90% nauwkeurig in het identificeren welke kinderen artritis hadden. “We baseerden ons enkel en alleen op informatie over het immuunsysteem, los van de symptomen of andere klinische gegevens,” zegt professor Adrian Liston (VIB-KU Leuven en Babraham Institute, Cambridge, UK). “Dit resultaat toont aan dat het analyseren van immunologische parameters, in combinatie met machine learning, enorm veel potentieel biedt om de verschillende vormen van juveniele idiopatische artritis vroeg te diagnosticeren. ”

De onderzoekers zijn hoopvol over de impact van dit onderzoek en hopen er op termijn de behandelingsopties voor patiënten mee te kunnen verbeteren. “De tool moet verder worden gevalideerd, maar verder zijn er geen wetenschappelijke belemmeringen om deze aanpak snel naar de kliniek te vertalen”, zegt prof. dr. Carine Wouters (UZ Leuven), die de klinische leiding had voor deze studie. “We zouden dit soort gedetailleerde classificatie-informatie en machine learning-analyse op termijn kunnen gebruiken om te weten te komen welke patiënten het best zullen reageren op specifieke behandelingen.”

FMT Gezondheidszorg Nieuwsbrief

U wilt op de hoogte blijven van de technologie, wetenschap en innovatieve huisvesting in de zorg. Abonneer u daarom nu gratis op de elektronische nieuwsbrief van FMT Gezondheidszorg.
Name
Email
Secure and Spam free...