Blog: persoonlijkere behandeling van prostaatkanker door machine learning

SmartHealth publiceert regelmatig een bijdrage van gastbloggers. Deze week: Daan de Bruin van Pacmed.

Als ik vertel over ons werk op het gebied van prostaatkanker, gebeurt het me opvallend vaak dat mensen persoonlijk geraakt zijn door dit onderwerp. Laatst vertelde iemand me:  “Mijn vader is overleden aan prostaatkanker. Toen de arts de gemiddelde verwachte overlevingskansen aan ons liet zien, vroeg ik me af in hoeverre die toepasbaar waren op de situatie waar mijn vader zich in bevond.” Kan dit niet slimmer?

Toen ik overstapte van het toepassen van data science voor commerciële organisaties naar data inzetten ten behoeve van de zorgsector, was dit precies het type vraagstukken waaraan ik hoopte te gaan werken. Met machine learning de behandeling van grootschalige, levensbedreigende ziektes verbeteren. Want dat is prostaatkanker: jaarlijks worden in Nederland meer dan tienduizend mannen geconfronteerd met prostaatkanker. Ongeveer 2.500 van hen overlijden hier jaarlijks aan [1]. Daarmee is het de meest voorkomende vorm van kanker bij mannen. Meer dan de helft van de mannen tussen de zeventig en tachtig jaar heeft prostaatkanker [1] en de totale kosten bedragen jaarlijks zo’n 250 miljoen euro, ruim twintigduizend euro per jaar per patiënt [2].

De behandeling van prostaatkanker

De primaire behandeling van mannen met prostaatkanker is doorgaans een prostatectomie, ofwel het chirurgisch verwijderen van (een deel van) de prostaat. Maar er zijn ook alternatieven zoals bestraling, of afwachten in hoeverre de situatie verergert. Nadat de prostaat is verwijderd, controleert de arts periodiek of de tumor ook echt wegblijft, of dat deze terugkeert, een zogeheten recidief. Prostaatkanker is dusdanig agressief dat bij twintig tot veertig procent van de mannen een recidief optreedt [3]. Indien dit optreedt, kan worden besloten om na te behandelen met bijvoorbeeld nabestraling of hormoonbehandeling.

Samenwerking met het Antoni van Leeuwenhoek

Hoe kan data science de arts ondersteunen? Kunnen we voorspellen welke primaire behandeling het beste is voor de individuele patiënt? Of kunnen we in de periode na de prostatectomie inschatten welke patiënt een recidief gaat ontwikkelen zodat de nabehandeling daarop afgestemd kan worden?

Bij Pacmed zijn we een samenwerking aangegaan met het Antoni van Leeuwenhoek ziekenhuis (AvL) en Nederlands Kanker Instituut (NKI) om deze vraagstukken te onderzoeken. Ons gezamenlijke startpunt was de vraag: welke patiënt ontwikkelt naar verwachting een recidief? Gebruikmakende van de data van het AvL is een voorspelmodel ontwikkeld dat met grote accuraatheid [4] blijkt te kunnen voorspellen wie er binnen twee jaar een recidief [5] ontwikkelt.

Met name de hoeveelheid PSA-eiwit die in het bloed wordt aangetroffen blijkt een goede voorspeller. Mannen bij wie de prostaatkanker terugkeert hebben een verhoogde waarde van dit eiwit. In de laatste jaren zijn de PSA-metingen steeds sensitiever geworden; testen kunnen een steeds kleinere hoeveelheid van dit eiwit in het bloed detecteren. Het model heeft aangetoond dat zelfs hele kleine hoeveelheden al een verhoogde kans op een recidief betekenen. Andere voorspellende factoren zijn de resultaten van het pathologisch onderzoek naar het verwijderde prostaatweefsel, de metastase (uitzaaiing) van de tumor, details over de chirurgische verwijdering van de tumor en patiëntgegevens zoals de leeftijd van de patiënt.

Kans op recidief

Met het model kunnen we nu patiënten identificeren die een hele hoge (meer dan 90%) of hele lage (minder dan 10%) kans hebben op een recidief. Hoe kunnen we hiermee behandelingen verbeteren? Doordat patiënten die een recidief ontwikkelen eerder worden herkend, kan in sommige gevallen eerder gestart worden met bijvoorbeeld hormonale behandeling. Deze patiënten hebben hierdoor meer kans op een zo lang mogelijk klachtenvrij leven. Kan de vaststelling dat het risico op een recidief juist klein is ook van waarde zijn voor patiënten? Dr. Henk van der Poel, Uroloog in het Antoni van Leeuwenhoek, denkt van wel. Hij zegt daarover: “Weten wie een lage kans heeft een recidief te ontwikkelen geeft vaak veel rust en voorkomt onnodige controles en dus stress bij patiënten."

De resultaten van dit onderzoek zijn gepubliceerd [6] en worden gevalideerd bij een andere zorginstelling. Als dit gedaan is, kan het model in de praktijk worden ingezet voor een op maat gemaakte na-behandeling. Tegelijkertijd zijn Pacmed en het AvL gestart met een onderzoek naar de primaire behandeling van prostaatkanker, ondersteund door een subsidie van het SIDN fonds voor Responsible Artificial Intelligence. Dit onderzoek draait om de vraag of we kunnen voorspellen wie naar verwachting baat heeft bij een chirurgische ingreep, en bij wie de risico’s op bijwerkingen zoals incontinentie of impotentie niet opwegen tegen de hogere levensverwachting. Het ontwikkelen van software waarmee de patiënt samen met de arts een weloverwogen behandelkeuze kan maken is de heilige graal en Pacmed’s ambitie voor de oncologie. Een wereld waarin persoonlijke voorkeuren en de context van iedere individuele patiënt voorop staan, in plaats van de geprotocolleerde ziektezorg.

Wat is er nieuw?

Tot slot, kunnen we nu dus concluderen dat Machine Learning en Artificial Intelligence levens redt? Of zijn dit buzz-words, en is dit onderzoek eigenlijk ‘gewoon’ toegepaste statistiek zoals we dat al tientallen jaren gebruiken? Maar waarom gebruiken zorginstellingen dan niet al lang dit soort beslissingsondersteunende software?

Ik denk dat de waarheid in het midden ligt: ontwikkelingen in Machine Learning hebben ervoor gezorgd dat modellen iets accurater zijn dan vroeger. Maar de echt grote vooruitgang zit hem in de beschikbaarheid van data en de vertaling naar software. Zorginstellingen zoals het AvL hebben de afgelopen decennia geïnvesteerd in het verzamelen van data, waardoor deze data nu van voldoende kwaliteit en schaal zijn om dit soort onderzoeken op te doen. En er bestaan organisaties en bedrijven zoals Pacmed waar artsen en data scientists samenwerken en zorgen voor synergie tussen de medische expertise van een leidend centrum als het AvL en de nieuwste ontwikkelingen op het gebied van machine learning. Zo kunnen we ervoor zorgen dat onderzoeken niet blijven hangen in de academie, maar worden vertaald naar beslissingsondersteunende, zelflerende software die arts en patiënt helpt bij het maken van weloverwogen behandelkeuzes.

Zodat die patiënt die in onzekerheid verkeert nadat zojuist een levensbedreigende ziekte is geconstateerd, een zo persoonlijk mogelijk advies krijgt, gebaseerd op de beste data en modellen. Dat is waar ik aan hoop bij te dragen.

Over de gastblogger:

Daan de Bruin (MSc Econometrics) is Lead Data Scientist bij Pacmed (www.pacmed.ai), een organisatie die Machine Learning toepast op grote hoeveelheden geanonimiseerde zorgdata, en beslissingsondersteunende software ontwikkelt voor zowel de huisartsenpraktijk als de ziekenhuiszorg.

Bronnen:

[1] https://www.prostaat.nl/aandoeningen/prostaatkanker-prostaatcarcinoom/

[2] Pacmed rekenmodel gebaseerd op cijfers van het Integraal Kankercentrum Nederland (IKNL)

[3] Tourinho-Barbosa, R., et al. “Biochemical recurrence after radical prostatectomy: what does it mean?.” International braz j urol 44.1 (2018): 14–21.

[4] De AUC van het model ligt boven de 0.85. Binnen Machine Learning wordt de term AUC (Area Under the ROC curve) gebruikt om de accuraatheid van een algoritme te toetsen. De AUC ligt altijd tussen de 0.5 (een model dat geen enkele voorspelkracht heeft) en de 1.0 (een model dat altijd goed voorspelt)

[5] Er is sprake van een recidief wanneer aan een van de volgende drie voorwaarden wordt voldaan: (1) een psa-waarde boven de 0.2, (2) het starten met nabehandeling als chemotherapie, (3) het overlijden aan de ziekte.

[6] Grivas, N., de Bruin, D., et al. “Ultrasensitive prostate‐specific antigen level as a predictor of biochemical progression after robot‐assisted radical prostatectomy: Towards risk adapted follow‐up.” Journal of clinical laboratory analysis (2018): e22693.