GEN-KnowRD: Reframing AI for Rare Disease Recognition

Dit artikel introduceert GEN-KnowRD, een innovatief raamwerk dat grote taalmodellen inzet om schaalbare, computerbare kennisbanken voor zeldzame ziekten te genereren, waardoor diagnostische prestaties aanzienlijk worden verbeterd ten opzichte van bestaande methoden en de diagnostische vertraging voor patiënten wordt verkort.

De kern

GEN-KnowRD: De Slimme Bibliotheek voor Zeldzame Ziekten

Stel je voor dat er wereldwijd meer dan 300 miljoen mensen zijn die lijden aan een zeldzame ziekte. Voor veel van deze mensen is het vinden van de juiste diagnose een ware "odyssee" van jaren. Ze reizen van arts naar arts, maar omdat de ziekten zo zeldzaam zijn, heeft de gemiddelde dokter ze nog nooit gezien. Het is alsof je een naald in een hooiberg zoekt, maar de hooiberg zelf is ook nog eens onvolledig en chaotisch.

De auteurs van dit paper, GEN-KnowRD, hebben een nieuwe manier bedacht om dit probleem op te lossen. In plaats van te proberen een kunstmatige intelligentie (AI) te maken die elke patiënt direct diagnoseert (wat vaak fouten maakt en duur is), hebben ze een slimme bibliotheek gebouwd.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. Het Probleem: De Verouderde Kaart

Vroeger maakten experts handmatig kaarten van ziektes. Dit is echter langzaam, duur en vaak niet up-to-date. Als je een nieuwe ziekte ontdekt, moet je wachten tot iemand die handmatig opschrijft.
Daarnaast proberen sommige AI-systemen nu om direct als dokter te fungeren. Dit is alsof je een supercomputer vraagt om in één keer een diagnose te stellen zonder dat het systeem eerst goed heeft geleerd wat de ziektes precies zijn. Dit leidt tot giswerk, hoge kosten en privacyproblemen (want je moet je medische gegevens naar een externe server sturen).

2. De Oplossing: De "Bibliotheekbouwer"

GEN-KnowRD draait het proces om. In plaats van de AI te gebruiken om patiënten te behandelen, gebruiken ze de AI om boeken te schrijven.

• De Schrijvers: Ze hebben vier van de slimste AI's (zoals Claude, Gemini en OpenAI) ingezet.
• De Taak: Deze AI's kregen de opdracht om voor 1.320 zeldzame ziekten een perfect gestructureerd "dossier" te schrijven. Ze moesten alles verzamelen: symptomen, oorzaken, behandelingen en tests. Ze fungeerden als super-snelle onderzoekers die duizenden artikelen in seconden doorzochten.
• De Bibliotheek (PheMAP-RD): Het resultaat is een enorme, digitale bibliotheek (genaamd PheMAP-RD) die lokaal op de computer van een ziekenhuis staat. Deze bibliotheek is "leesbaar" voor computers, maar gebaseerd op de kennis van de AI's.

3. De Werkwijze: De Detective en de Bibliotheek

Nu de bibliotheek klaar is, komt de echte magie. Als een patiënt binnenkomt met vreemde klachten, gebeurt het volgende:

1. De Detective (Lichtgewicht AI): Een klein, snel programmaatje (de "detective") kijkt naar de medische gegevens van de patiënt. Het hoeft niet naar een dure, externe server. Het werkt lokaal.
2. Het Zoeken: De detective bladert door de lokale bibliotheek (PheMAP-RD) die ze eerder hebben gebouwd. Het vergelijkt de symptomen van de patiënt met de dossiers in de bibliotheek.
3. De Ranking: Het systeem maakt een lijstje: "Deze ziekte lijkt het meest op de symptomen, daarna deze, en dan deze."
4. De Tweede Check: Als de detective twijfelt, doet het een tweede, nauwkeurigere check op de top 20 kandidaten om de lijst nog scherper te maken.

Waarom is dit zo slim? (De Analoge Vergelijkingen)

• Scheiding van taken: Stel je voor dat je een restaurant hebt. De oude manier was: elke keer als een klant bestelt, moet de chef-kok (de dure AI) eerst naar de markt gaan, ingrediënten zoeken, een recept bedenken en dan koken. Dat duurt lang en kost veel geld.
  De nieuwe manier (GEN-KnowRD) is: De chef-kok gaat een keer naar de markt, schrijft perfecte recepten op (de bibliotheek), en legt ze in de keuken. Als een klant komt, pakt een snelle kokkies (het lichte programma) gewoon het juiste recept en bereidt het eten. Het is sneller, goedkoper en consistenter.

• Privacy: Omdat de "boeken" (de kennis) al op de lokale computer staan, hoeft de patiënt zijn gevoelige medische gegevens niet naar een grote tech-gigant te sturen. Alles blijft binnen de muren van het ziekenhuis.

• Beter dan de menselijke expert? In tests bleek dat de door AI geschreven dossiers soms zelfs beter waren dan de bestaande, door mensen geschreven rapporten. De AI's waren beter in het vinden van specifieke details en het samenvatten van recente medische studies.

De Resultaten

De onderzoekers hebben dit systeem getest op duizenden patiënten:

• Het vond de juiste ziekte veel vaker dan de huidige beste methoden (tot wel 345% beter in sommige gevallen!).
• Het was zelfs beter dan een superkrachtige AI die probeerde om direct te "redeneren" zonder die vooraf gebouwde bibliotheek.
• Het werkte ook goed voor het vroeg opsporen van specifieke ziektes, zoals longfibrose (IPF), zelfs voordat de diagnose officieel was gesteld.

Conclusie

GEN-KnowRD is geen nieuwe "dokter-AI" die alles zelf bedenkt. Het is een fundamentele verbetering van de kennisbasis. Het gebruikt AI om de kennis te verzamelen en te structureren, zodat de daadwerkelijke diagnosestelling sneller, goedkoper, veiliger en accurater kan plaatsvinden. Het is alsof we de "hooiberg" van zeldzame ziekten hebben omgezet in een perfect georganiseerde, digitale bibliotheek waar elke dokter direct de juiste informatie kan vinden.

Technische samenvatting

Probleemstelling

Zeldzame ziekten treffen wereldwijd naar schatting meer dan 300 miljoen mensen, maar patiënten lijden vaak jarenlang aan een diagnostische vertraging ("diagnostic odyssey"). Bestaande computationele benaderingen voor het herkennen van zeldzame ziekten (Rare Disease Recognition, RDR) stuiten op twee fundamentele beperkingen:

1. Kennisbottlenecks: Traditionele systemen zijn afhankelijk van handmatig samengestelde kennisbronnen (zoals HPO-termen en expert-curatie). Deze bronnen zijn vaak onvolledig, heterogeen, vertekend naar goed bestudeerde aandoeningen en schalen niet mee met de snelheid van nieuwe medische inzichten.
2. LLM-beperkingen: Het direct toepassen van Large Language Models (LLMs) voor eind-tot-eind diagnose of differentiatie introduceert problemen rondom kosten, reproduceerbaarheid, datagovernance en het ontbreken van traceerbare kennis. De kennis in LLM-parameters is impliciet en moeilijk te controleren.

Methodologie: GEN-KnowRD

Het paper introduceert GEN-KnowRD, een raamwerk dat de rol van LLMs verschuift van "diagnostisch redeneren per patiënt" naar "kennislaagconstructie". Het doel is om een schaalbare, lokale en reproduceerbare kennisinfrastructuur te creëren. Het raamwerk bestaat uit vier hoofdcomponenten:

1. Generatie van Zeldzame Ziekteprofielen (RDK):

   • Vier geavanceerde LLMs (Claude Sonnet 4, DeepSeek R1, Gemini 2.5 Pro, OpenAI o3) worden geprompt om gestructureerde ziekteprofielen te genereren voor 1.320 zeldzame ziekten uit de NORD-database.
   • Deze profielen volgen een vast schema met tien secties (bijv. klinische presentatie, diagnostiek, management).
   • In plaats van alleen HPO-termen te gebruiken, extraheren ze UMLS-concepten (Unified Medical Language System) uit de gegenereerde teksten. Dit biedt een rijkere representatie die ook medicijnen, procedures en laboratoriumwaarden omvat, wat robuuster is dan alleen fenotypische abnormiteiten.

2. Kwaliteitsbeoordeling:

   • Een multi-facetten evaluatie combineert geautomatiseerde metrics (leesbaarheid, token-gebruik, conceptdekking) met een blinde review door klinische experts.
   • De gegenereerde kennis wordt opgeslagen in een computabele kennisbank genaamd PheMAP-RD.

3. Algemene Ziektescreening (General-purpose Screening):

   • Een tweestaps-pijplijn voor het rangschikken van kandidaat-ziekten op basis van patiëntgegevens:
     • Stap 1 (Retrieval): Combinatie van een sparse representatie (BM25-algoritme voor lexische overlap) en een dense representatie (embedding-based semantische similariteit met Qwen3-Embedding-8B). De resultaten worden gefuseerd via Reciprocal Rank Fusion (RRF).
     • Stap 2 (Reranking): Een gespecialiseerde reranker (Qwen3-reranker-8B) evalueert de top-20 kandidaten opnieuw met de volledige patiëntbeschrijving en ziekteprofiel om de ranking te verfijnen.

4. Gespecialiseerde Differentiatie:

   • Voor specifieke ziekten (gevalstudie: Idiopathische Pulmonale Fibrose - IPF) worden longitudinale klinische noten geanalyseerd.
   • Het systeem extraheert tijdsafhankelijke kenmerken en symptomco-occurrences en gebruikt lichte classificatiemodellen om IPF te onderscheiden van niet-IPF of vermoedelijke IPF-gevallen.

Belangrijkste Resultaten

De prestaties van GEN-KnowRD zijn getest op zes publieke benchmarks (9.290 patiënten, 798 ziekten) en twee private cohorts (IPF-diagnose).

• Superieure Prestaties: GEN-KnowRD overtreft significant bestaande methoden:
  • Tegenover PhenoBrain (HPO-gebaseerd): Tot 345,8% verbetering in top-1 succes (Recall@1) op de PMC-benchmark.
  • Tegenover End-to-End LLMs: Tot 129,1% verbetering ten opzichte van OpenAI GPT-5 (die direct diagnose stelt).
  • Tegenover Expert-Curatie: LLM-genereren profielen (vooral van Claude Sonnet 4) presteren beter dan de menselijk gecurateerde NORD-rapporten, zowel in recall als in mean reciprocal rank (MRR).
• Kwaliteit van LLM-generatie: Klinische experts beoordeelden de LLM-genereren profielen als even goed of beter dan NORD-rapporten op factuele nauwkeurigheid, klinische volledigheid en specificiteit. Claude Sonnet 4 leverde de meest robuuste prestaties.
• Ensemble-strategie: Een "gated ensemble" die rankings van meerdere LLMs combineert, levert de beste algehele prestaties op en is robuuster dan het gebruik van één enkele kennisbron.
• Vroege Diagnose (IPF): In de IPF-gevallenstudie bereikte het systeem een AUROC van 0,992 bij het onderscheiden van IPF van niet-IPF ziekten, wat aantoont dat het systeem effectief is in het identificeren van signalen in de pre-diagnostische fase.

Bijdragen en Significantie

De kernbijdrage van dit werk is een paradigmaverschuiving in hoe AI voor zeldzame ziekten wordt ingezet:

1. Decoupling van Kennis en Inference: In plaats van LLMs te gebruiken voor elke individuele patiëntvraag (wat duur en onvoorspelbaar is), worden ze gebruikt om een herbruikbare, lokale kennislaag te bouwen. De patiënt-inferentie gebeurt vervolgens via lichte, deterministische pipelines.
2. Schaalbaarheid en Kosten: Door de kennisconstructie te amortiseren over de hele dataset, worden de operationele kosten en de afhankelijkheid van dure API-calls voor elke patiënt drastisch verlaagd.
3. Privacy en Governance: Het systeem kan lokaal worden gedraaid (on-premise), waardoor patiëntgegevens nooit naar externe LLM-diensten hoeven te worden gestuurd. Dit lost grote zorgen op rondom dataprivacy en beveiliging.
4. Levende Kennisbron: PheMAP-RD is ontworpen als een "levende" resource die eenvoudig kan worden bijgewerkt met nieuwe LLM-versies of medische inzichten, zonder volledige handmatige her-curatie.
5. Complementair aan Agentic AI: Het raamwerk is niet bedoeld als concurrent voor geavanceerde agentische diagnostische systemen, maar als een fundamentele laag die de kwaliteit van de kennis verbetert waarop deze systemen kunnen bouwen.

Conclusie: GEN-KnowRD bewijst dat het verplaatsen van de zwaartepunt van AI van "redeneren" naar "kennisconstructie" leidt tot nauwkeurigere, schaalbare en ethisch verantwoordere systemen voor het herkennen van zeldzame ziekten, met directe toepasbaarheid voor klinische screening en onderzoek.