Hoe AI de diagnostiek van epilepsie verandert

Een routine-EEG duurt ongeveer twintig minuten, maar langere registraties – 24 uur of meer – leveren veel betrouwbaardere informatie. Dat laatste heeft dan ook sterk de voorkeur, maar het kost veel tijd om dit visueel te beoordelen: voor een 24-uursopname soms wel drie uur.

‘De abnormale gebeurtenissen waarnaar we zoeken, de zogenaamde interictale epileptiforme ontladingen, zijn in wezen de elektrische handtekeningen van epilepsie. Ze zijn doorgaans vrij kort, rond de 100-300 milliseconden, en komen zelden voor, soms maar vijf of tien keer in een opname van 24 uur. Het is alsof je een speld in een hooiberg zoekt’, zegt Michel van Putten, neuroloog en klinisch neurofysioloog bij Medisch Spectrum Twente. ‘Je weet dat er mogelijk abnormale hersenactiviteit is, maar je weet niet wanneer en waar: je moet dus de hele opname bekijken.’

Samen met Maryam Amir Haeri, universitair hoofddocent aan de Universiteit Twente, werkt Van Putten aan twee nauw met elkaar verbonden projecten om deze realiteit te veranderen: AI4EPI en ALICE. Hun onderzoek maakt gebruik van kunstmatige intelligentie om experts te ondersteunen bij EEG-diagnostiek voor epilepsie en het proces sneller en efficiënter te maken.

De samenwerking tussen Amir Haeri en Van Putten begon met AI4EPI: het gebruik van machine learning-technieken om EEG-registraties te analyseren en segmenten te detecteren met mogelijk epileptiforme activiteit. In plaats van urenlang data van begin tot eind te bekijken, kunnen artsen direct focussen op de meest relevante momenten. Van Putten: ‘Daar komt de expert in beeld om te controleren of het inderdaad afwijkende activiteit is. Dit bespaart enorm veel tijd: in plaats van drie uur data te bekijken, duurt het nu nog maar tien tot vijftien minuten.’

Tijdens dit project besloten Amir Haeri en Van Putten een stap verder te gaan met een nieuw project. ‘Toen we samenwerkten, kwamen we op het idee van ALICE’, voegt Amir Haeri toe. ‘Een AI-assistent in het ziekenhuis die uitlegt welke afwijkingen er in de hersenregistratie worden gedetecteerd, wat de oorzaak zou kunnen zijn en wat de meest waarschijnlijke diagnose is.’ Beide systemen zijn ontworpen als digitale assistenten; de uiteindelijke beoordeling blijft bij de medisch expert.

Een eerste generatie van het AI4EPI-systeem wordt al gebruikt onder andere in  MST. Van Putten: ‘Deze eerste generatie is een vervolg op een promotieproject van een UT-student. Dat heeft ons enorm geholpen om met deze Pioneers in Health Care (PIHC)-projecten te beginnen. Het is een logische uitbreiding en dankzij de PIHC-vouchers hebben we deze AI-systemen verder kunnen ontwikkelen.’

De feedback van gebruikers is heel positief. De beoordelingstijd gaat vaak van uren naar minuten. ‘De volgende stap is om te kijken hoe goed ALICE haar werk doet bij het uitleggen van de bevindingen en het ondersteunen van diagnostische beslissingen.’

Voor patiënten is de potentiële impact aanzienlijk. Snellere beoordeling betekent eerdere diagnoses, minder onzekerheid en vroegere behandelbeslissingen. ‘Ik zie veel patiënten na een eerste aanval. Daarna begint het diagnostische proces: is het epilepsie of niet?’ zegt Van Putten. ‘We weten ook dat EEG-registraties langer dan 20 minuten diagnostisch veel beter zijn. Een EEG van 24 uur of zelfs langer zou ideaal zijn, maar die zijn erg tijdrovend om op de traditionele manier te beoordelen en worden daarom weinig gebruikt. Met AI4EPI wordt dit nu praktisch haalbaar.’

Op de langere termijn zou AI-ondersteunde EEG-analyse ook de toegang tot diagnostiek kunnen verbeteren in regio's waar ervaren specialisten schaars zijn. ‘In Nederland hebben we een geweldige gezondheidszorg’, zegt Van Putten. ‘Maar wereldwijd zijn er veel plaatsen waar EEG's worden opgenomen, maar niet altijd optimaal kunnen worden beoordeeld vanwege een gebrek aan experts. Onze software kan helpen die kloof te overbruggen.’

De projecten zijn succesvol dankzij de combinatie van expertise. Van Putten brengt tientallen jaren klinische ervaring mee en toegang tot grote EEG-datasets, verzameld in de dagelijkse zorg. Amir Haeri draagt bij met een sterke achtergrond in machine learning en AI-systemen, met veel ervaring in diverse toepassingen in de gezondheidszorg.

‘We zijn niet helemaal vanaf nul begonnen; we hadden al meerdere vergelijkbare projecten lopen. Dat was een groot voordeel voor beide PIHC-projecten AI4EPI en ALICE. Data is meestal het grootste probleem in AI in de gezondheidszorg. Dankzij de vooruitziende blik van Michel kunnen we gebruikmaken van een unieke EEG-database die al ruim 15 jaar systematisch wordt opgebouwd, zegt Amir Haeri.

Om AI-modellen te trainen, zijn grote hoeveelheden data nodig, die voor de zogenoemde 'supervised learning' gelabeld moeten zijn. Dit betekent dat experts normale en afwijkende hersenactiviteit moeten markeren. ‘Dat annoteren kost veel tijd’, legt Amir Haeri uit. ‘Daarom hebben we voor AI4EPI ook unsupervised benaderingen onderzocht. Hierbij leert het systeem patronen en abnormale hersenactiviteit herkennen met minimale handmatige labeling.’

Nu de eerste generatie van het AI4EPI-systeem geleidelijk wordt geïmplementeerd in de Nederlandse gezondheidszorg, is de visie voor de komende jaren ambitieus. Van Putten: ‘Ik hoop dat we over drie tot vijf jaar algoritmes hebben die een biologische verklaring geven voor de EEG-bevindingen, gecombineerd met klinische gegevens, zodat we nog meer inzicht krijgen in de specifieke oorzaken van epilepsie. De visuele beoordeling, die nu nog de standaard is, wordt niet overbodig gemaakt, maar juist ondersteund. De menselijke expert blijft de uiteindelijke interpretatie doen. Misschien kan het zelfs gebruikt worden om epileptische aanvallen te voorspellen. Zelfs als we niet alle aanvallen kunnen voorkomen, zouden patiënten enorm geholpen zijn als we ze wél kunnen voorspellen.’

Amir Haeri verwacht dat het AI-model in de toekomst ook geschikt zal zijn voor andere diagnoses. ‘Uiteindelijk zie ik de potentie van een basis EEG-model dat gebruikt kan worden om verschillende ziekten of aandoeningen te diagnosticeren.’ Van Putten voegt eraan toe: ‘Bijvoorbeeld bij neurodegeneratieve aandoeningen of ontwikkelingsstoornissen, om er maar een paar te noemen.’

Om dat te bereiken, heeft het team meer financiering, data en samenwerking met verschillende ziekenhuizen en artsen nodig. ‘Een toegewijde promovendus die hier fulltime aan kan werken zou ideaal zijn’, zegt Van Putten. ‘Dat zou ons in staat stellen de volgende grote stappen te zetten.’

Het Pioneers in Health Care (PIHC) Innovatiefonds is een samenwerking van Universiteit Twente (Technisch Medisch Centrum), Hogeschool Saxion en de ziekenhuizen MST, ZGT en Deventer Ziekenhuis. Het Fonds stelt jaarlijks € 600.000 beschikbaar voor tien innovatieve projecten die technologie slim inzetten voor de zorg van morgen. 
PIHC brengt artsen en onderzoekers samen om nieuwe technologie te ontwikkelen voor betere patiëntenzorg, of door bestaande technologie te gebruiken voor nieuwe medische toepassingen.