Willem Bruin vertelt over zijn zoektocht naar biomarkers voor psychische aandoeningen
Postdoc Willem Bruin werkt sinds vorig jaar samen met Moji Aghajani aan onderzoek naar jongeren met angststoornissen. Zijn werk bouwt voort op zijn promotieonderzoek, waarin hij met grote consortia samenwerkte en machine learning-methoden gebruikte om voorspellende modellen te ontwikkelen ter ondersteuning van klinische besluitvorming in de psychiatrie. In dit interview deelt Willem zijn inzichten en bevindingen uit zijn proefschrift.
Wat voegt jouw onderzoek toe aan de wetenschap, wat maakt het nieuw en uniek?
"Toen ik mijn promotieonderzoek begon, waren er verschillende studies die machine learning gebruikten om biomarkers te vinden voor de psychiatrie. Hoewel deze studies veelbelovende resultaten lieten zien, waren ze beperkt door het gebruik van erg kleine steekproeven om modellen te ontwikkelen en hun nauwkeurigheid te bepalen.
Bovendien ontwikkelden en valideerden de meeste studies hun modellen met behulp van selecte steekproeven die niet representatief zijn voor de grote diversiteit van patiënten die we in de klinische praktijk zien. Het bleef daardoor onduidelijk hoe betrouwbare deze biomarkers waren, en hoe goed ze konden generaliseren naar data van patiënten verkregen op verschillende onderzoekslocaties.
In mijn onderzoek heb ik met grote consortia samengewerkt om de nauwkeurigheid van biomarkers voor de psychiatrie te testen met veel grotere steekproeven. In plaats van tientallen patiënten, gebruikten we gegevens van duizenden patiënten wereldwijd."
Biomarkers
Biomarkers voor zijn meetbare stoffen in het lichaam, zoals in bloed of hersenactiviteit, die helpen bij het herkennen en volgen van mentale ziektes. Ze geven informatie over diagnose en de beste behandeling voor patiënten.
Hoe heb je je onderzoek uitgevoerd, welke methode(s) heb je gebruikt
"Voor mijn onderzoek gebruik ik neuroimaging technieken, zoals structurele en functionele MRI, om de hersenanatomie en -activiteit te meten bij mensen met en zonder psychische aandoeningen, en bij patiënten die wel of niet reageren op een bepaalde behandeling.
Met speciale MRI-software verwerk ik de data om deze geschikt te maken voor vergelijking. Hierdoor kan ik eigenschappen, zoals corticale dikte, oppervlakte, subcorticale volume en functionele connectiviteit tussen hersengebieden analyseren.
Vervolgens gebruik ik machine learning modellen om patronen in de data te vinden en individuele voorspellingen te maken. Om de nauwkeurigheid van deze modellen te testen, gebruik ik kruisvalidatie, waarbij het model wordt geëvalueerd op nieuwe data.
Ten slotte analyseer ik hoe klinische informatie, zoals medicatiegebruik en ernst van klachten, de modelvoorspellingen beïnvloedt en welke hersengebieden belangrijk zijn voor nauwkeurige voorspellingen."
Wat zijn de belangrijkste bevindingen uit jouw onderzoek?
"Allereerst toont mijn onderzoek aan dat machine learning technieken gebruikt kunnen worden om behandelaren te ondersteunen bij klinische besluitvorming.
Daarnaast blijkt uit mijn onderzoek dat de huidige nauwkeurigheid van neuroimaging-biomarkers nog onvoldoende is voor de diagnose van angst- en dwangstoornissen. Mogelijke oorzaken zijn de selectie van hersenkenmerken, gebruikte algoritmen, en vooral de klinische en demografische variatie in steekproeven, vooral bij multicenterstudies. Dit maakt het lastig om algemene biomarkers te ontwikkelen.
We behaalden veel nauwkeurigere voorspellingen voor de behandeluitkomst van Electroconvulsive Therapy (ECT is een medische behandeling voor ernstige psychiatrische aandoeningen) bij depressieve patiënten. Dit suggereert dat de ontwikkeling van een biomarker voor ECT op basis van MRI-gegevens haalbaar zou kunnen zijn.
Dit laatste is - denk ik - onze belangrijkste bevinding vanwege de grote klinische toepasbaarheid van een ECT-uitkomst biomarker. Momenteel ontvangt slechts 1-2% van behandelings-resistente depressieve patiënten ECT, terwijl onderzoek aantoont dat ongeveer 50% baat zou kunnen hebben bij deze behandeling! Een ECT-uitkomst biomarker zou kunnen helpen bij het screenen van veel meer behandelingsresistente depressieve patiënten, wat de responsgraad verhoogt en onnodige behandeling met ongewenste bijwerkingen kan voorkomen."
Hoe helpt jouw onderzoek de praktijk? Zijn er nog eventuele aanbevolen vervolgstappen?
"Mijn onderzoek is een eerste stap naar betrouwbare biomarkers voor de psychiatrie. Deze biomarkers zijn belangrijk omdat ze behandelaars kunnen helpen bij het maken van goede beslissingen en het bieden van persoonlijke zorg. Maar we zijn nog niet klaar. In de toekomst is meer onderzoek nodig om verschillende aandoeningen beter te kunnen onderscheiden als er twijfel is over de diagnose.
Ook willen we biomarkers ontwikkelen die kunnen helpen bij het kiezen van de beste behandeling nadat de diagnose gesteld is. Het is ook belangrijk om te kijken naar andere biologische informatie en te onderzoeken of eenvoudige klinische gegevens kunnen helpen bij het verbeteren van deze aanpak."
