Normative Modelling of Brain Volume in Multiple Sclerosis

Dit onderzoek toont aan dat normatieve modellering van hersenvolume op basis van gezonde controles individuele afwijkingen bij multiple sclerosepatiënten kan kwantificeren, waarbij een groter aantal afwijkingen, vooral in de diepe grijze stof, significant geassocieerd is met een hogere invaliditeit en cognitieve achteruitgang.

De kern

🧠 De "Normale" Hersenkaart: Een Reis door de MS-wereld

Stel je voor dat je hersenen een gigantische stad zijn. In deze stad zijn er verschillende wijken: de Thalamus (het centrale station), de Hippocampus (de bibliotheek voor herinneringen) en de Putamen (de motor voor beweging).

Normaal gesproken krimpen deze wijken heel langzaam naarmate we ouder worden, net zoals een stad die langzaam veroudert. Maar bij mensen met Multiple Sclerose (MS) gaat deze slijtage veel sneller en op een heel specifieke manier.

Het probleem tot nu toe was dat artsen vaak keken naar de "gemiddelde stad" van alle mensen. Ze zagen: "Oh, bij mensen met MS is de stad gemiddeld wat kleiner." Maar dat helpt een individuele patiënt niet. Als jij op de wachtlijst staat, wil je weten: "Is mijn stad nu echt abnormaal klein, of zit ik gewoon in de normale variatie?"

Dit onderzoek probeert precies dat antwoord te geven.

1. De Grote Referentielijst (Het "Normale" Model)

De onderzoekers hebben een enorme database samengesteld met MRI-scans van 62.444 gezonde mensen van alle leeftijden (van 6 tot 90 jaar).

• De Analogie: Denk aan een gigantische groeicurve voor kinderen. Als je kindje 10 jaar is, kun je op de kaart zien wat de "normale" lengte is. Als je kindje 10 cm te kort is, weet je direct dat er iets aan de hand is.
• Wat ze deden: Ze maakten voor elke hersenwijk een soort "normale groeicurve" die rekening houdt met leeftijd, geslacht en de grootte van je schedel. Hiermee kunnen ze nu voor elk individu berekenen: "Is jouw hersenwijk op jouw leeftijd normaal, of is hij ongewoon klein?"

2. De "Rode Vlaggen" bij MS

Toen ze deze nieuwe "normale kaart" toepasten op 362 mensen met MS, zagen ze iets heel interessants:

• De "Rode Vlag": Ze zagen dat mensen met MS veel vaker "kritieke afwijkingen" hadden. Dat zijn plekken in de hersenen die zo klein zijn dat ze ver onder de normale lijn vallen (zoals een gebouw dat 20% kleiner is dan het zou moeten zijn).
• De Hotspot: De Thalamus (het centrale station) was de plek waar dit het vaakst gebeurde. Bij ongeveer 1 op de 4 patiënten was dit centrale station ernstig kleiner dan normaal.
• Verschil met gezonde mensen: Gezonde mensen hadden gemiddeld 1 of 2 van deze "rode vlaggen". Mensen met MS hadden er bijna 3 keer zoveel.

3. Wat betekent dit voor de patiënt?

De onderzoekers keken of deze "rode vlaggen" iets te maken hadden met hoe de patiënt zich voelde.

• Meer afwijkingen = Moeilijker leven: Mensen met meer "rode vlaggen" (kleinere hersenwijken) hadden gemiddeld een hogere mate van invaliditeit (moeilijker lopen, meer problemen met het dagelijks leven).
• Specifieke plekken:
  • Als de Thalamus en Putamen klein waren, ging het vaak slechter met de lichamelijke functies.
  • Als de Hippocampus (bibliotheek) en andere plekken klein waren, hadden mensen vaker last van vermoeidheid of cognitieve problemen.
• De voorspelling: Mensen die al aan het begin van de studie "rode vlaggen" hadden in specifieke gebieden, hadden later in het leven een iets grotere kans op een aanval (relapse) en een snellere achteruitgang.

4. Waarom is dit een doorbraak?

Vroeger was het alsof een arts naar een stad keek en zei: "Gemiddeld is deze stad kleiner dan die van de buren." Dat is vaag.

Met deze nieuwe methode kan de arts nu zeggen: "Kijk, jouw centrale station (Thalamus) is voor iemand van jouw leeftijd en geslacht ongewoon klein. Dat is een signaal dat we moeten monitoren."

Het is alsof je van een algemene weersvoorspelling ("het is vaak regenachtig in Nederland") overschakelt naar een persoonlijke weersapp die jou specifiek waarschuwt: "Binnen 10 minuten regent het bij jou op straat."

🏁 Conclusie in één zin

Dit onderzoek laat zien dat we met een slimme "normale kaart" van gezonde hersenen, individuele patiënten met MS beter kunnen begrijpen waar hun hersenen extra slijtage vertonen, en dat deze specifieke slijtage direct samenhangt met hoe ziek de patiënt zich voelt.

Het is een stap naar gepersonaliseerde geneeskunde: niet meer kijken naar het gemiddelde, maar kijken naar wat er bij jou precies aan de hand is.

Technische samenvatting

Probleemstelling

De interpretatie van hersenatrofie bij Multiple Sclerose (MS) op individueel niveau vormt een fundamentele uitdaging in de neurologische praktijk. Bestaande methoden zijn voornamelijk gebaseerd op groepsniveau-analyses, wat betekent dat er geen gestandaardiseerde, gepersonaliseerde referentiewaarden zijn om te bepalen of de hersenvolume van een specifieke patiënt afwijkt van wat er op basis van leeftijd, geslacht en hoofdformaat (intracranial volume, ICV) verwacht wordt. Technische en biologische variabiliteit beperken de vergelijkbaarheid tussen studies, waardoor het moeilijk is om klinisch significante afwijkingen te onderscheiden van normale variatie. Er is behoefte aan een raamwerk dat populatiegebaseerde neuroimaging-data vertaalt naar individuele, klinisch interpreteerbare afwijkingsscores.

Methodologie

De auteurs hebben een grootschalig normatief modellering-raamwerk ontwikkeld en toegepast op longitudinale MRI-data van MS-patiënten.

1. Datasets:

   • Referentiegroep (Gezonde Controles): Een dataset van 62.444 gezonde individuen (50,8% vrouwen, leeftijd 6,0–90,1 jaar) uit zeven internationale databases. Deze data diende om de normatieve verdelingen te trainen.
   • MS-cohort: Een longitudinale dataset van 362 MS-patiënten met in totaal 953 T1-gewogen MRI-scans (volgtijd tot 12 jaar). De cohorten bestonden uit deelnemers aan de OFAMS-clinische trial en patiënten uit routinezorg in Oslo.

2. Beeldverwerking:

   • MRI-scans werden verwerkt met FreeSurfer (versies 6.0.0 en 7.1.1) om regionale corticale en subcorticale volumes te extraheren (volgens het Desikan-Killiany-atlas).
   • Lesies werden gesegmenteerd en de T1-scans werden "gelekt" (lesion filling) om de volumemetingen te verbeteren.
   • Voor de trainingsdata werd ComBat gebruikt om batch-effecten tussen verschillende scanners en protocollen te harmoniseren. De testdata (MS-patiënten) werd niet geharmoniseerd om biologische variatie te behouden en kunstmatige groepsverschillen te voorkomen.

3. Statistisch Modellering:

   • Er werd gebruikgemaakt van multivariate fractionele polynoomregressie om niet-lineaire levenslange trajecten van hersenvolumes te modelleren.
   • De modellen werden per geslacht getraind en corrigeerden voor ICV (intracranial volume) en leeftijd.
   • Voor elke regio werd een Z-score berekend voor elke patiënt: $Z = (waargenomen\_volume - voorspeld\_volume) / RMSE$.
   • Een kritieke afwijking (Critical Deviation, CD) werd gedefinieerd als een Z-score < –1,96 (onderste 2,5% van de populatieverdeling).

4. Analyse:

   • Cross-sectioneel en longitudinaal: Associaties tussen het aantal kritieke afwijkingen (CDs) en klinische uitkomsten (EDSS voor invaliditeit, PASAT voor cognitie, FSS voor vermoeidheid) werden getest met lineaire gemengde modellen.
   • Stratificatie: Een risicogroep werd gedefinieerd op basis van afwijkingen in de drie meest frequent aangedane regio's (bilaterale thalamus, rechter superieure pariëtale cortex, pericalcarine cortex).

Belangrijkste Resultaten

• Heterogeniteit en Patroon: MS-patiënten vertoonden bijna drie keer zoveel kritieke afwijkingen dan de gepropensity-gematchte gezonde controles (Incidentie Ratio Ratio: 2,70). De afwijkingen waren heterogeen verdeeld, maar toonden een duidelijk patroon met de thalamus als meest betrokken structuur (ongeveer 25% van de patiënten had een kritieke afwijking in de thalamus). Andere frequent aangedane gebieden waren de putamen, hippocampus en pariëtale/occipitale gebieden.
• Associatie met Invaliditeit (EDSS):
  • Een hoger aantal kritieke afwijkingen was significant geassocieerd met een hogere invaliditeit (EDSS), zowel cross-sectioneel ($\beta=0,24$) als longitudinaal ($\beta=0,07$).
  • Lagere volumes dan de norm in de thalamus, hippocampus en putamen waren consistent geassocieerd met hogere invaliditeit.
• Cognitie en Vermoeidheid:
  • Afwijkingen in specifieke corticale gebieden (bijv. linker supramarginale gyrus) waren geassocieerd met cognitieve prestaties (PASAT).
  • Afwijkingen in de rechter cingulate cortex waren geassocieerd met vermoeidheid (FSS).
• Risicogroep en Relapses:
  • Patiënten die behoorden tot de "deviation-based risk group" (minimaal één CD in de drie kernregio's) hadden een hogere invaliditeitscurve over tijd.
  • Er was een trend naar een verhoogd risico op relapses (Hazard Ratio = 1,60) in deze risicogroep, hoewel dit statistisch net niet de conventionele significantiedrempel bereikte (p=0,09), maar wel consistent was in verschillende survival-modellen.

Kernbijdragen

1. Individuele Fenotypering: Het artikel introduceert een schaalbaar raamwerk om hersenatrofie bij MS te vertalen naar individuele, leeftijds- en geslachtsgecorrigeerde Z-scores, in plaats van alleen groepsverschillen.
2. Morfometrisch Profiel: Het identificeert een robuust, maar heterogeen morfometrisch profiel van MS, gedomineerd door diepe grijze stof (thalamus, putamen) en specifieke corticale gebieden.
3. Klinische Stratificatie: Het toont aan dat het tellen van kritieke afwijkingen een bruikbare methode is om patiënten te stratificeren op basis van hun risico op progressie van invaliditeit en relapses.
4. Methodologische Validatie: Het bewijst dat normatieve modellen robuust zijn tegen scanner-variabiliteit en FreeSurfer-versieverschillen, en dat ze ziektegerelateerde neurodegeneratie kunnen onderscheiden van normale veroudering.

Betekenis en Conclusie

De studie biedt een paradigmaverschuiving in de interpretatie van MRI bij MS: van een diagnostisch hulpmiddel naar een instrument voor gepersonaliseerd monitoring en prognose. Door populatiegebaseerde referentiewaarden te gebruiken, kunnen artsen nu objectief bepalen of de hersenatrofie van een patiënt "onverwacht ernstig" is voor hun leeftijd en geslacht.

Hoewel de methodologie nog niet direct klaar is voor routinematig klinisch gebruik (validatie in onafhankelijke cohorten en harmonisatie voor verschillende scanners zijn nodig), legt deze studie de basis voor precisiemedicine in de neurologie. Het raamwerk kan potentieel worden uitgebreid naar andere neurologische en psychiatrische aandoeningen om heterogene ziekteverlopen beter te begrijpen en te behandelen. De bevindingen onderstrepen dat de thalamus een cruciale biomarker is voor ziekteprogressie bij MS.