Luisteren naar stille signalen – AI kan huidige benaderingen van osteoporosediagnose opschudden

Osteoporose, de stille dief, is te lang ongrijpbaar geweest. Deze botdief blijft vaak onopgemerkt tot er een breuk optreedt. Maar nu staat AI klaar om de stille signalen van osteoporose te onthullen voordat ze een breekpunt worden.

Het is niet zo dat we geen middelen hebben om op osteoporose te testen, want we hebben ze wel, en die staan bekend als dual-energy röntgenabsorptiometrie (DXA). Het is de huidige gouden standaard voor het meten van botmineraaldichtheid (BMD). Echter, het heeft beperkingen.

DXA-scans vereisen gespecialiseerde apparatuur en personeel, waardoor ze ontoegankelijk en duur zijn. Als gevolg hiervan blijven veel risicogroepen ongescreend totdat ze een breuk ervaren.

Met AI in het spel zal dit snel veranderen. Recente doorbraken tonen aan dat AI-algoritmen, vooral deep learning-modellen, nauwkeurig het risico op osteoporose kunnen voorspellen met behulp van bestaande gezondheidsgegevens. Dit zou kunnen betekenen dat er eerder wordt gedetecteerd en ingegrepen, mogelijk geen breuken, en betere uitkomsten.

Bovendien bevestigt baanbrekend onderzoek van Tulane University het potentieel van kunstmatige intelligentie bij de detectie van osteoporose. Wetenschappers daar ontwikkelden een deep neural network (DNN)-model dat specifiek is ontworpen om het risico op osteoporose te voorspellen.

Dit model werd grondig getest tegen traditionele machine learning-algoritmen en een conventioneel regressiemodel. Ze maakten gebruik van gegevens van meer dan 8.000 deelnemers die waren ingeschreven in de Louisiana Osteoporosis Study, waarmee ze de geavanceerde mogelijkheden van het DNN-model aantonen om het risico op osteoporose nauwkeurig te beoordelen.

Het DNN-model presteerde beter dan de concurrentie bij het voorspellen van het risico op osteoporose. Het was goed in het identificeren van hoog-risicogroepen (gevoeligheid) en laag-risicogroepen (specificiteit).

Het model suggereert dat AI kan worden gebruikt voor osteoporose-screening met bestaande gezondheidsgegevens en de toegang tot screening kan uitbreiden, vooral waar DXA niet beschikbaar is. Opmerkelijk identificeerde het DNN-model deze top 10 risicofactoren voor osteoporose:

• Gewicht
• Leeftijd
• Geslacht
• Grijpkracht
• Lengte
• Bierconsumptie
• Diastolische bloeddruk
• Alcoholinname
• Rookduur
• Inkomensniveau

Huidige richtlijnen voor osteoporose-screening daarentegen vertrouwen sterk op leeftijd en geslacht. Hoewel belangrijk, vatten deze factoren het unieke risicoprofiel van een individu niet echt goed. AI biedt echter een meer gepersonaliseerde aanpak.

Door een breed scala aan factoren in overweging te nemen, inclusief aanpasbare levensstijlkeuzes zoals roken en alcoholgebruik, kan AI hoog-risicogroepen identificeren die door de huidige screeningsprotocollen kunnen vallen. Deze gerichte aanpak zou preventiestrategieën kunnen revolutioneren.

Personen die door AI als hoog risico worden geïdentificeerd, kunnen DXA-scans ondergaan om de diagnose te bevestigen en vervolgens beginnen met botversterkende medicatie en aanpassingen in levensstijl. Bovendien kunnen ze vaker worden gemonitord op tekenen van breuken.

Op maatschappelijk niveau kan AI-gedreven risicostratificatie de toewijzing van middelen optimaliseren. Bijvoorbeeld, DXA en geavanceerde tests kunnen worden geprioriteerd voor de hoogst risicogroepen, terwijl laag-risicogroepen onnodige tests en behandelingen kunnen vermijden.

Echter, de weg naar brede AI-implementatie in osteoporose-screening is vol uitdagingen. De Tulane-studie vereist validatie in diverse populaties en real-world klinische omgevingen. Daarnaast moeten ethische en juridische obstakels, waaronder modelrechtvaardigheid, patiëntprivacy en aansprakelijkheid, worden aangepakt. Laten we enkele van deze uitdagingen bekijken:

Gegevensbias

AI-modellen kunnen alleen zo onbevooroordeeld zijn als hun trainingsgegevens. Als de gegevens de algemene bevolking niet vertegenwoordigen, zullen de voorspellingen van het model niet universeel toepasbaar zijn. We hebben sterke waarborgen nodig om te voorkomen dat AI gezondheidsverschillen verergert.

Patiëntprivacy

Het trainen van AI-modellen vereist toegang tot grote gezondheidsdatabases, maar deze gegevens moeten worden beschermd. Patiënten moeten erop kunnen vertrouwen dat hun gevoelige gezondheidsinformatie privé en veilig blijft.

Aansprakelijkheid

Als een AI-model er niet in slaagt een hoog-risicopatiënt te identificeren die later een breuk lijdt, wie is dan verantwoordelijk? De AI-ontwikkelaars? De zorgverleners die op de voorspellingen vertrouwden? Daarom moeten juridische en regelgevende kaders zich ontwikkelen om duidelijke richtlijnen te bieden naarmate AI steeds vaker in de geneeskunde wordt toegepast.

Maar ondanks de uitdagingen is AI ongetwijfeld zeer opwindend voor de medische gemeenschap. Waarom niet? Tenslotte, als AI risicopatiënten eerder kan identificeren, kan het de uitkomst voor miljoenen mensen wereldwijd veranderen.

Statistisch gezien, elke drie seconden, treedt er wereldwijd een osteoporotische breuk op. Deze breuken, vooral van de heup, kunnen een cascade van gevolgen veroorzaken, waaronder:

• Chronische pijn
• Invaliditeit
• Verlies van zelfstandigheid
• Verhoogde sterfte

Ook op economisch gebied is de impact aanzienlijk, met osteoporose-gerelateerde breuken die jaarlijks miljarden kosten aan zorguitgaven en verloren productiviteit.

De enige manier om deze problemen bij de bron aan te pakken is door vroege detectie en behandeling. Alleen dan kunnen we deze breuken voorkomen. Onderzoek wijst uit dat botversterkende medicatie zoals bisfosfonaten de breukrisico bij osteoporosepatiënten aanzienlijk kunnen verlagen. Deze medicatie wordt echter ondergebruikt, deels omdat osteoporose vaak ongedetecteerd blijft.

Voorbij alleen Diagnose

Personalisatie

AI-modellen kunnen voorspellen hoe individuen op behandelingen reageren, waardoor gepersonaliseerde therapiekeuzes mogelijk worden. Ze kunnen ook de therapietrouw en effectiviteit in de loop van de tijd monitoren en zorgverleners waarschuwen wanneer aanpassingen nodig zijn.

Kijkend naar de toekomst zou AI zelfs geïntegreerd kunnen worden in consumenten gezondheidsapparaten. Stel je een smartwatch voor die je activiteit, dieet en andere gezondheidsmetingen bijhoudt, en gepersonaliseerde osteoporose-risicobeoordelingen en preventief advies biedt. Zo’n apparaat zou je in staat stellen je botgezondheid en algehele gezondheid proactief te beheren. Het realiseren hiervan vereist echter samenwerking tussen AI-onderzoekers, zorgverleners en patiënten.

Betaalbare Vroege Osteoporose Detectie

Vervolgens komt het betaalbaarheidsaspect, waarbij de schoonheid van AI wordt benadrukt in het democratiseren van vroege osteoporose-detectie. Hoewel DXA-scans effectief zijn, zijn ze noch praktisch noch betaalbaar op populatieniveau. De oplossing ligt in een gevalideerd AI-algoritme dat kan worden ingezet via elektronische patiëntendossiers. Dit is vooral gunstig in onderbediende gemeenschappen waar osteoporose vaak ongedetecteerd blijft, waardoor vroege detectie voor iedereen toegankelijker en betaalbaarder wordt.

Betere Toegankelijkheid & Gebruik

Bovendien kunnen landelijke gebieden met beperkte toegang tot specialisten en DXA AI gebruiken om hoog-risicopatiënten voor verwijzing te identificeren. Oudere volwassenen met mobiliteitsproblemen kunnen worden gescreend zonder te hoeven reizen voor een scan. Daarnaast kunnen door AI gegenereerde risicoscores helpen bij het prioriteren van DXA-middelen voor degenen die er het meest baat bij hebben, zodat de beschikbare middelen efficiënt en effectief worden gebruikt.

In plaats van te vertrouwen op brede screeningsrichtlijnen gebaseerd op leeftijd of geslacht, zou AI gerichte screening op basis van individuele risicoprofielen kunnen mogelijk maken, waardoor patiëntuitkomsten en middelengebruik worden geoptimaliseerd. Naast vroege detectie kan AI het beheer van osteoporose verbeteren door patiënttrajecten te voorspellen en gepersonaliseerde interventies mogelijk te maken.

Laten we nu kijken naar bedrijven die kunnen profiteren van vooruitgang in AI-gedreven osteoporose-detectie en -beheer.

#1. Hologic, Inc. (HOLX)

Hologix is een toonaangevende leverancier van DXA-systemen die worden gebruikt om botdichtheid te meten. Door AI te integreren in hun DXA-systemen, kan Hologic de nauwkeurigheid en voorspellende mogelijkheden van osteoporose-detectie aanzienlijk verbeteren.

Deze verbetering kan hun producten waardevoller en aantrekkelijker maken voor zorgverleners, waardoor de verkoop van hun DXA-systemen en bijbehorende software mogelijk toeneemt, en zo hun marktaandeel in osteoporose-diagnostiek wordt vergroot.

Financieel bevindt het bedrijf zich in een solide positie. Het rapporteerde een totale omzet van ongeveer $4,03 miljard voor het fiscale jaar 2023.

#2. GE Healthcare

Als een belangrijke speler in medische beeldvorming kan GE Healthcare profiteren van AI-vooruitgang door de diagnostische mogelijkheden van haar beeldvormingssystemen te verbeteren, inclusief DXA-scanners.

Verbeterde AI-integratie kan resulteren in een nauwkeurigere en vroegere detectie van osteoporose, waardoor de vraag naar hun geavanceerde beeldvormingstechnologieën en AI-softwareoplossingen stijgt. Dit kan leiden tot hogere verkopen en langdurige servicecontracten, waardoor hun positie op de markt voor medische beeldvorming wordt versterkt.

Wat de omzet betreft, rapporteerde GE Healthcare een totale omzet van $19,6 miljard voor het fiscale jaar 2023.

Conclusieve Gedachten

Over het geheel genomen, hoewel deze ontwikkelingen en potentiële voordelen ongelooflijk klinken, zullen ze waarschijnlijk niet van de ene op de andere dag plaatsvinden. Doorlopend onderzoek, ontwikkeling, validatie en het aanpakken van de uitdagingen rond gegevensprivacy, beveiliging, ethiek en gelijkheid zijn essentieel. Echter, als we het goed doen, zullen de beloningen enorm zijn. We kunnen deze stille ziekte transformeren in een aandoening die preventief, behandelbaar en uiteindelijk te verslaan is.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.