Voorspellen van ontwikkeling van primaire leverkanker middels het AI-HCC model
Patiënten met levercirrose hebben een verhoogd risico op leverkanker (HCC). Wij ontwikkelden het AI-HCC model dat ontwikkeling van HCC met grote nauwkeurigheid voorspelt, waardoor verbeterende screening met MRI mogelijk wordt in hoog-risicopatiënten. Dit bevordert vroege opsporing en voorkomt onnodige onderzoeken. In het ZonMw-project valideren we ons AI-HCC model, onderzoeken we verbanden met pathofysiologie middels explainable AI, en voeren we een health technology assessment (HTA) uit ter ondersteuning van valorisatie en implementatie van het model.
Doel
Het doel van dit project is het valideren van het AI-HCC-model op nauwkeurigheid in externe patiëntcohorten en het onderzoeken van de onderliggende pathofysiologische processen van HCC bij levercirrose. Hiervoor combineren we MRI- en multi-omics data met explainable AI, waarmee we biomarkers en biologische mechanismen in kaart brengen. Daarnaast biedt een HTA inzicht in de impact van het model op zorgprocessen. Dit resulteert in een wetenschappelijk onderbouwd en transparant AI-model, gericht op gepersonaliseerde en doelmatige HCC-surveillance.
Aanpak
Het project omvat twee parallelle trajecten. Enerzijds valideren we het bestaande AI-HCC-model retrospectief met gegevens uit externe cohorten van patiënten met levercirrose. Anderzijds verzamelen we prospectief data van levercirrosepatiënten in MST, ZGT, Isala en DZ, die jaarlijks MRI-surveillance ondergaan, gecombineerd met uitgebreide metabole analyse (multi-omics). Met behulp van explainable AI verkrijgen we daarbij nieuwe inzichten in biomarkers en de onderliggende mechanismen van HCC-ontwikkeling. Via een health technology assessment onderzoeken we effecten op zorg, zoals kosteneffectiviteit, energieverbruiken impact voor patiënten. De projectonderdelen versterken elkaar en vormen een stevige basis voor wetenschappelijke inzichten en succesvolle implementatie in de praktijk.
Samenwerkingspartners
Het project wordt geleid door onderzoekers van het MST (Maureen Guichelaar, MDL-arts, en Donald Bouman, radioloog), in samenwerking met de Universiteit Twente (Afdeling CODE: prof. dr. Stephanie van den Berg, dr. Maryam Amir Haeri; afdeling HTSR: prof. dr. Maroeska Rovers), perifere ziekenhuizen (ZGT, DZ, Isala) en academische centra (LUMC, Erasmus MC, University of Chicago en Linköping). Daarnaast zijn patiëntenpanels en de Nederlandse leverpatiëntenvereniging (NLV) betrokken om het patiëntenperspectief te waarborgen. Voor de implementatie, opschaling en modellering werken we samen met Philips, Novel-T en Evidencio.
Deze multidisciplinaire samenwerking verbindt klinische expertise met AI innovatie en implementatie in de dagelijkse praktijk.
Verwachte resultaten
Het project ontwikkelt een gevalideerd en verklaarbaar AI-model (AI-HCC) dat nauwkeurig voorspelt welke patiënten met levercirrose een verhoogd risico hebben op het ontwikkelen van HCC. Toepassing van het AI-HCC-model in de klinische praktijk maakt het mogelijk MRI-surveillance gericht in te zetten bij hoog-risicopatiënten. Dit resulteert niet alleen in efficiënter gebruik van zorgmiddelen en reductie van kosten, maar ook betere overleving: vroege detectie van HCC kan de vijfjaarsoverleving verhogen van minder dan 20% naar meer dan 60%. Bovendien geeft het project nieuwe inzichten in de ziekteprocessen van HCC, wat bijdraagt aan tijdige en gepersonaliseerde therapieën.
Overig
Dit project sluit naadloos aan bij de ambities van het Integraal Zorgakkoord en MedZO om passende, innovatieve en arbeidsbesparende zorg te stimuleren. Door inzet van het AI-HCC-model kan over-diagnostiek worden voorkomen en wordt gepersonaliseerde zorg voor patiënten met levercirrose mogelijk. De toegepaste AI-methoden dragen bovendien bij aan verdere technologische vernieuwing binnen de zorg en laten zien hoe digitale innovatie kan bijdragen aan kwaliteit en doelmatigheid. Het project toont aan dat samenwerking tussen klinische en AI-experts kan leiden tot duurzame zorgtransformatie, efficiëntere inzet van middelen en versterkte preventie. De opgedane inzichten zijn breed toepasbaar in andere ziektegebieden en screeningsprogramma’s.