Een snelle diagnose is met name bij stofwisselingsziekten, die doorgaans ernstig, zeldzaam en erfelijk zijn, van groot belang. Ze veroorzaken vaak kort na de geboorte al grote schade. Daarom moet snel en direct met een behandeling gestart kunnen worden. Een nieuw online algoritme blijkt de diagnostiek van metabole ziekten te kunnen versnellen.
In het algoritme, ontwikkeld door arts-onderzoeker Hanneke Haijes, is de kennis van 119 metabole ziekten en hun afwijkende stoffen samengebracht. “Het algoritme interpreteert data uit labonderzoek, zodat artsen sneller tot de juiste diagnose komen", aldus Haijes.
Hanneke promoveerde op 14 mei online aan de Universiteit van Utrecht met haar proefschrift 'Belangrijke inzichten uit schijnbaar onopvallende details'. Daarin wordt met name het belang beschreven van het vaststellen van ogenschijnlijk weinig opmerkelijke details in de klachten, verschijnselen en stofwisseling van een patiënt kan leiden tot een diagnose, en mogelijk tot preventie of behandeling.
Algoritme vindt speld in hooiberg
Daar ligt precies de uitdaging voor artsen en laboratoriumonderzoekers. Haijes vergelijkt de zoektocht naar deze details met het zoeken naar meerdere spelden in een hoogberg. Door zich te verdiepen in die details en ze te inventariseren, was zij in staat een algoritme te ontwikkelen dat zeldzame, erfelijke stofwisselingsziekten sneller kan diagnosticeren. Het algoritme is sinds maart online beschikbaar, eenvoudig in gebruik en wereldwijd door laboratoriumspecialisten en wetenschappers toe te passen.
Om een stofwisselingsziekte te diagnosticeren worden in het laboratorium voor metabole diagnostiek veel verschillende analyses uitgevoerd. “De afgelopen jaren hebben we daarvoor metabolomics ontwikkeld: één analyse waarmee we in een keer meer dan 1.800 verschillende stoffen kunnen meten in enkele druppels bloed of hersenvocht. Die analyse levert enorm veel data op. De interpretatie daarvan is best ingewikkeld", zegt Haijes.
Analyse automatiseren
Het automatiseren van dat interpretatieproces kan veel tijdswinst opleveren waardoor een behandeling sneller gestart kan worden, zo bedacht Haijes. Machine learning was de eerste technologie die voor die automatisering in overweging genomen werd. Dat bleek echter niet geschikt. Voor het toepassen van machine learning zijn veel soortgelijke data nodig om de computer te trainen op wat er gevonden, en waarop gelet, moet worden. “Omdat er honderden stofwisselingsziekten bestaan die vrijwel allemaal zo zeldzaam zijn dat er onvoldoende bloed van verschillende patiënten beschikbaar is, was machine learning geen optie”, aldus Haijes.
Om de beschikbare kennis over die honderden stofwisselingsziekten toch te gebruiken werd alle data samengebracht in een algoritme dat Haijes zelf bouwde. Tot nu toe zijn daarin 119 erfelijke stofwisselingsziekten en hun afwijkende stoffen opgenomen.
Het algoritme is getest op meer dan 400 samples van patiënten bij wie een stofwisselingsziekte al is vastgesteld. Inmiddels wordt het algoritme steeds vaker gebruikt bij de zoektocht naar een diagnose voor patiënten bij wie een stofwisselingsziekte wordt vermoed.
Toegevoegde waarde algoritme
Daarnaast heeft het algoritme ook al geleid tot de ontdekking van een nieuwe biomarker voor de zeldzame erfelijke stofwisselingsziekte NGLY1-CDDG. Dit is een ziekte die op jonge leeftijd al tot een ontwikkelingsachterstand, afwijkingen in de hersenen, een verlaagde spierspanning en bewegingsstoornissen leidt. Die nieuwe biomarker is direct aan het algoritme toegevoegd.
“Tot nu toe konden we NGLY1-CDDG alleen vaststellen met DNA-onderzoek. Dat duurt vrij lang en is kostbaar. Nu we weten dat een verhoogde aanwezigheid van aspartylglucosamine in het bloed een biochemische biomarker is voor deze ziekte, kunnen we sneller tot een diagnose komen. Voor ons een mooie bevestiging van de toegevoegde waarde van het algoritme", zegt Haijes.
Optimalisatie en beperking
Haijes werkt, tot het moment dat zij als arts-assistent kindergeneeskunde aan de slag gaat, aan de optimalisatie van het algoritme. Daarna zal de doorontwikkeling van het algoritme voortgezet worden door laboratoriumspecialist Judith Jans.
"Voor alle duidelijkheid: het algoritme is niet bedoeld voor het vinden van stofwisselingsziekten, zoals PKU, die al in de hielprik zitten. Die worden immers daarmee al gevonden. Wel is het algoritme nuttig om een van de tientallen andere stofwisselingsziekten vast te stellen die zo zeldzaam zijn, dat ze niet in de hielprik zitten", zegt Haijes.
De meerwaarde van het algoritme om bij het vermoeden van een stofwisselingsziekte sneller de juiste diagnose te vinden is inmiddels aangetoond. Maar het feit blijft dat niet alle stofwisselingsziekten te behandelen of voorkomen zijn.
Hanneke Haijes zegt hierover: “Ook als er geen behandeling is, geeft een diagnose in ieder geval de mogelijkheid tot lotgenotencontact en weten dokter en ouders wat ze kunnen verwachten gedurende de levensloop van het kind. Kinderen met een stofwisselingziekte die niet in de hielprik zit, hebben vaak al veel dokters bezocht en testen gehad voordat de oorzaak wordt gevonden - met alle onzekerheid van dien voor het kind, de ouders en hun naasten. Hoe ernstig een ziekte ook is, een diagnose geeft duidelijkheid. Hoe sneller de diagnose, hoe beter.”
