Onderzoekers van het Weizmann Instituut ontwikkelen een gepersonaliseerd AI-model om ziekten te voorspellen en behandelingen op maat te maken met enorme gezondheids database

Dr. Lee Reicher, prof. Eran Segal en dr. Smadar Shilo. Foto: Weizmann Instituut voor Wetenschap

Voordat we levensveranderende beslissingen nemen, overdenken we vaak verschillende scenario's om mogelijke uitkomsten te voorspellen. Maar als het om onze gezondheid gaat, wordt het voorspellen van de toekomst extra lastig. Zal een bepaalde behandeling werken? Zal een verandering in ons dieet ons welzijn verbeteren?

Onderzoekers van het Weizmann Institute of Science in Israël hebben nu een tool ontwikkeld die precies dat kan: medische uitkomsten simuleren en voorspellen, afgestemd op elke persoon.

Hun nieuwe 'digitale tweeling'-model, aangestuurd door geavanceerde kunstmatige intelligentie, kan toekomstige ziekten voorspellen, potentiële gezondheidsrisico's signaleren voordat symptomen zich openbaren en gepersonaliseerde behandeltrajecten aanbevelen.

De doorbraak, dinsdag gepubliceerd in het tijdschrift Nature Medicine, is gebaseerd op het 'Human Phenotype Project', een ambitieuze studie die gedurende meerdere jaren uitgebreide medische gegevens van meer dan 13.000 personen verzamelde.

Het initiatief werd in 2018 gelanceerd door professor Eran Segal van de afdeling Computerwetenschappen en Toegepaste Wiskunde van het instituut als aanvulling op de inzichten van het Human Genome Project, dat in 1990 van start ging en duizenden genen in kaart bracht die verband houden met onze eigenschappen en ziekten. Hoewel genen een deel van het beeld vormen, wilde Segals team verder gaan en omgevingsfactoren, de samenstelling van het darmmicrobioom, verouderingsprocessen en meer integreren.

Deelnemers aan het Human Phenotype Project ondergaan 25 jaar lang elke twee jaar uitgebreide gezondheidsevaluaties. Deze omvatten lichamelijk onderzoek, voedingsdagboeken, echografieën, botdichtheidsmetingen, stemopnames, slaapmonitoring thuis, continue glucosemeting, genetische sequentiebepaling, genexpressieanalyse, eiwit- en metabole profilering, en microbioombemonstering van de darmen, mond en voortplantingsorganen.

"We wilden een Israëlische biobank opzetten die meerdere lagen informatie verzamelt – moleculair en klinisch – en mensen door de tijd heen volgt", aldus dr. Smadar Shilo, senior arts en pediatrisch endocrinoloog bij het Schneider Medical Center, die het project hielp leiden tijdens haar promotieonderzoek in Segals lab en er nog steeds aan werkt. "Het doel is om biomarkers te identificeren die toekomstige ziekten kunnen voorspellen en een raamwerk te creëren voor voorspellende, gepersonaliseerde geneeskunde."

Volgens Shilo kan het combineren van datalagen zoals genetica, metabolieten en immuunsysteemgegevens helpen om ziekten op te sporen lang voordat ze zich openbaren. "Als ik een persoon volg en al zijn of haar basisgegevens verzamel, kan ik zoeken naar biomarkers die voorafgingen aan een latere diagnose. Dat is het uiteindelijke doel: vroege voorspelling met behulp van AI-gestuurde tools", legt ze uit.

inds de lancering is het Human Phenotype Project uitgegroeid tot meer dan 30.000 geregistreerde deelnemers, met als doel de 100.000 te bereiken. Het team heeft ook satellietlocaties geopend in Japan en de Verenigde Arabische Emiraten om de dataset te diversifiëren en etnische, culturele en omgevingsvariabiliteit te bestuderen.

De gegevens zijn al verwerkt in een geavanceerd AI-model, ontwikkeld door onderzoekers, waaronder Dr. Lee Reicher en Shilo. Het model – gebouwd op een platform van Pheno.AI – leert hoe 17 lichaamssystemen doorgaans veranderen gedurende een mensenleven en kan afwijkingen detecteren. Het kent elk systeem een 'biologische leeftijd'-score toe op basis van geslacht, BMI en chronologische leeftijd, en signaleert vervolgens afwijkingen die kunnen wijzen op een hoger ziekterisico.

"We kunnen bijvoorbeeld cardiovasculaire parameters isoleren – zoals echografie van halsslagaders of ECG-gegevens – en een model ontwikkelen om de biologische leeftijd van dat specifieke systeem te voorspellen", aldus Shilo. De tool kan afwijkingen opsporen voordat symptomen zich openbaren. Door de glucosewaarden van de deelnemers in de loop van de tijd te volgen, ontdekte het team dat ongeveer 40% van degenen die volgens de huidige nuchtere glucosenormen als gezond werden beschouwd, prediabetische patronen vertoonden bij een grondigere analyse.

"Dankzij unieke continue glucosemonitoringgegevens van duizenden mensen konden we nieuwe normen voor deze metingen vaststellen", aldus Shilo. "We kunnen nu observeren hoe waarden met de leeftijd veranderen en onderscheid maken tussen mannelijke en vrouwelijke trends."

Segal merkte op: "De biologische veroudering bij mannen verloopt doorgaans lineair, maar bij vrouwen zien we een scherpe sprong rond de vijftig. De menopauze lijkt de biologische klok op significante wijze te resetten. Zo correleert de afname van botdichtheid meer met de tijd sinds de menopauze dan met de chronologische leeftijd. Onze markers kunnen helpen bij het detecteren van vroege tekenen van de menopauze en het daarop afstemmen van de hormonale behandeling."

De diversiteit van de Israëlische bevolking is een andere belangrijke kracht. "Dit is een uniek aspect van het project", aldus Shilo. "We kunnen gegevens van mensen met verschillende voorouderlijke afkomsten vergelijken om te zien in hoeverre genetica en andere factoren hierbij een rol spelen." Ze voegde eraan toe dat genetische gegevens weliswaar de etnische afkomst vrij nauwkeurig kunnen voorspellen – bijvoorbeeld door Asjkenazische of Jemenitische voorouders te identificeren – maar dat microbioomgegevens dat niet kunnen, wat erop wijst dat het meer wordt gevormd door gedeelde omgevingen dan door genen.

Uiteindelijk wil het project een nieuw tijdperk van voorspellende geneeskunde inluiden door middel van een uitgebreid AI-model dat is getraind op de volledige dataset van elke deelnemer.

Dit model – een echte digitale tweeling – wordt momenteel ontwikkeld door promovendus Guy Lutzker. Met behulp van generatieve AI-technieken wordt het systeem getraind door individuele datapunten te verbergen en zichzelf uit te dagen om de ontbrekende stukjes af te leiden. Na verloop van tijd bouwt het een geïntegreerd gezondheidsprofiel op dat in staat is om waarschijnlijke medische gebeurtenissen jaren van tevoren te voorspellen.

"Dit heeft enorme implicaties – van het simuleren van het effect van een medicijn vóór het voorschrijven tot het modelleren van de impact van veranderingen in levensstijl", aldus Shilo. "Dat is de visie: medische beslissingen afstemmen op het individu op basis van zijn of haar digitale tweeling."