Veel patiënten met multiple sclerose (MS) ervaren cognitieve achteruitgang. Het is echter niet helemaal duidelijk hoe deze cognitieve symptomen gerelateerd zijn aan het functioneren van de hersenen. Meer kennis over de mechanismen die aan cognitieve symptomen onderliggend zijn bij MS kan bijdragen aan de ontwikkeling van nieuwe interventies. Tijdens ECTRIMS 2024 presenteerde Giuseppe Pontillo (Amsterdam UMC) de resultaten van een onderzoek waarin een model werd ontwikkeld om het cognitief functioneren van patiënten met MS te voorspellen.1
Om het cognitief functioneren van patiënten met MS op een accurate en betrouwbare manier te voorspellen, zijn duizenden studiedeelnemers nodig.2 ‘Transfer learning’ is een vorm kunstmatige intelligentie (artificial intelligence, AI) waarbij een model wordt ontwikkeld op basis van een grote dataset. Dit model kan vervolgens ook gebruikt worden om kleinere, gerelateerde datasets te analyseren. Dit soort model kan dus getraind worden op een grote hoeveelheid populatie-gegevens, om vervolgens toegepast te worden op een kleine set patiëntdata.
In het huidige onderzoek werd een model ontwikkeld waarmee het cognitief functioneren van patiënten met MS voorspeld kan worden op basis van functionele MRI-gegevens en ‘non-imaging’-fenotypes uit de UK Biobank (n=36.848). Hiermee werd een ‘deep neural network’ getraind om 67 ‘non-imaging’-fenotypes te voorspellen op basis van functionele MRI-gegevens uit het Amsterdam MS-cohort. Ook werden ‘Kernel Ridge’-regresssiemodellen getraind om het cognitief functioneren bij aanvang van de studie en longitudinaal te voorspellen. De nauwkeurigheid van de modellen werd vergeleken met die van referentiemodellen die getraind waren met gegevens van patiënten met MS.
In totaal warden de gegevens van 324 patiënten met MS (gemiddelde leeftijd: 48,3 jaar; 67% vrouw) geanalyseerd met behulp van het model. Voor 231 van deze patiënten waren gegevens over het cognitief functioneren uit controlebezoeken beschikbaar (gemiddelde follow-up: 4,8 jaar). Het model wist het cognitief functioneren (r [95%-BI]: 0,34 [0,32-0,36]; p<0,001) en de verandering in het cognitief functioneren in de loop van de tijd (r [95%-BI]: 0,40 [0,38-0,42]; p=0,01) statistisch significant beter te voorspellen dan de referentiemodellen (beide p<0,00001).
Met behulp van ‘transfer learning’ kunnen op basis van grote datasets modellen ontwikkeld worden die nauwkeurige voorspellingen kunnen doen over patiëntdata. In dit onderzoek is op deze manier een AI-model ontwikkeld waarmee het cognitief functioneren van patiënten met MS voorspeld kan worden op basis van MRI-gegevens. Dit nieuwe model is daarin nauwkeuriger dan referentiemodellen.
Referenties
Naar boven
