Willem Bruin vertelt over zijn zoektocht naar biomarkers voor psychische stoornissen

Wat draagt ​​jouw onderzoek bij aan de wetenschap, wat maakt het nieuw en uniek?

“Toen ik aan mijn doctoraat begon, waren er verschillende onderzoeken waarin machinaal leren werd gebruikt om biomarkers voor de psychiatrie te vinden. Hoewel deze onderzoeken veelbelovende resultaten lieten zien, werden ze beperkt door zeer kleine steekproeven te gebruiken om modellen te ontwikkelen en de nauwkeurigheid ervan te bepalen.

Bovendien hebben de meeste onderzoeken hun modellen ontwikkeld en gevalideerd met behulp van geselecteerde monsters die niet representatief zijn voor de grote diversiteit aan patiënten die in de klinische praktijk wordt gezien. Daarom was het onduidelijk hoe betrouwbaar deze biomarkers waren en hoe goed ze konden worden gegeneraliseerd naar patiëntgegevens verkregen op verschillende onderzoekslocaties.

In mijn onderzoek heb ik met grote consortia samengewerkt om de nauwkeurigheid van psychiatrische biomarkers met veel grotere steekproeven te testen. “In plaats van tientallen patiënten gebruikten we gegevens van duizenden patiënten over de hele wereld.”

Hoe heb je je onderzoek uitgevoerd, welke methode(n) heb je gebruikt?

“Voor mijn onderzoek gebruik ik neuroimaging-technieken, zoals structurele en functionele MRI, om de anatomie en activiteit van de hersenen te meten bij mensen met en zonder psychische stoornissen, en bij patiënten die wel of niet reageren op een bepaalde behandeling.

De gegevens verwerk ik met speciale MRI-software om ze geschikt te maken voor vergelijking. Hierdoor kan ik eigenschappen analyseren zoals corticale dikte, oppervlakte, subcorticaal volume en functionele connectiviteit tussen hersengebieden.

Vervolgens gebruik ik machine learning-modellen om patronen in de gegevens te vinden en individuele voorspellingen te doen. Om de nauwkeurigheid van deze modellen te testen, maak ik gebruik van kruisvalidatie, waarbij het model wordt geëvalueerd op basis van nieuwe gegevens.

Tenslotte analyseer ik hoe klinische informatie, zoals medicijngebruik en ernst van klachten, de voorspellingen van het model beïnvloedt en welke hersengebieden belangrijk zijn voor het maken van nauwkeurige voorspellingen.”

Wat zijn de belangrijkste bevindingen uit uw onderzoek?

“Ten eerste laat mijn onderzoek zien dat machine learning-technieken kunnen worden gebruikt om professionals te helpen bij het nemen van klinische beslissingen.

Bovendien laat mijn onderzoek zien dat de huidige nauwkeurigheid van biomarkers voor neuroimaging nog steeds onvoldoende is voor de diagnose van angst en obsessief-compulsieve stoornissen. Mogelijke oorzaken zijn onder meer de selectie van hersenkenmerken, de gebruikte algoritmen en vooral de klinische en demografische variatie in steekproeven, vooral in multicentrische onderzoeken. Dit maakt de ontwikkeling van algemene biomarkers moeilijk.

We hebben veel nauwkeurigere voorspellingen gedaan voor de behandelresultaten van elektroconvulsietherapie (ECT is een medische behandeling voor ernstige psychiatrische stoornissen) bij depressieve patiënten. Dit suggereert dat de ontwikkeling van een biomarker voor ECT op basis van MRI-gegevens haalbaar zou kunnen zijn.

Ik geloof dat dit laatste onze belangrijkste bevinding is vanwege de brede klinische toepasbaarheid van een biomarker voor ECT-uitkomsten. Momenteel krijgt slechts 1 tot 2 procent van de behandelingsresistente depressieve patiënten ECT, terwijl uit onderzoek blijkt dat ongeveer 50 procent baat zou kunnen hebben bij deze behandeling. “Een biomarker voor de ECT-uitkomst zou kunnen helpen bij het opsporen van veel meer behandelingsresistente depressieve patiënten, waardoor de respons toeneemt en onnodige behandelingen met ongewenste bijwerkingen worden voorkomen.”

Hoe helpt jouw onderzoek de praktijk? Zijn er aanbevolen vervolgstappen?

“Mijn onderzoek is een eerste stap op weg naar betrouwbare biomarkers voor de psychiatrie. Deze biomarkers zijn belangrijk omdat ze professionals kunnen helpen goede beslissingen te nemen en gepersonaliseerde zorg te bieden. Maar we zijn nog niet klaar. Er is in de toekomst meer onderzoek nodig om beter onderscheid te kunnen maken tussen verschillende aandoeningen . als er twijfel bestaat over de diagnose.

Ook willen we biomarkers ontwikkelen die kunnen helpen bij het kiezen van de beste behandeling zodra de diagnose gesteld is. “Het is ook belangrijk om naar andere biologische informatie te kijken en te onderzoeken of eenvoudige klinische gegevens deze aanpak kunnen helpen verbeteren.”

Download het proefschrift “Neuroimaging biomarkers voor de psychiatrie. Predicting Diagnostic and Treatment Outcome Using Machine Learning” ››