From Registration to Insight: How STRONG AYA Transforms Registry Data to Enhance Decision-Support Tools for Adolescent and Young Adult Oncology

Dit artikel beschrijft hoe het STRONG AYA-consortium federated learning en een kernset uitkomsten gebruikt om data uit het Britse Yorkshire-register voor kanker bij kinderen en jongeren te integreren in beslissingsondersteunende tools, waardoor de zorg voor adolescenten en jonge volwassenen met kanker wordt verbeterd.

De kern

Het Grote Probleem: De "Vergeten" Tussenstap

Stel je voor dat je een school hebt met drie afdelingen: kleuters (kinderen), tieners en jonge volwassenen (15-39 jaar), en ouderen. De kleuters en de ouderen krijgen veel aandacht, speciale lessen en een eigen boekje met tips. Maar de tieners en jonge volwassenen? Die zitten vaak in een soort "grijze zone". Ze zijn te oud voor de kinderarts, maar te jong voor de standaard ouderenzorg.

In de strijd tegen kanker is dit precies wat er gebeurt. Jonge mensen met kanker hebben unieke problemen (zoals school, werk, relaties en hun toekomst), maar artsen hebben vaak geen goede "handleiding" of vergelijkingsmateriaal om hen goed te helpen.

De Oplossing: Een Internationaal Teamwerk (STRONG AYA)

Om dit op te lossen, hebben artsen en onderzoekers uit heel Europa een groot team gevormd, genaamd STRONG AYA. Hun doel is simpel: alle informatie over jonge kankerpatiënten samenvoegen, zodat ze beter kunnen leren van elkaar.

Maar hier zit een probleem: in Europa mag je niet zomaar de medische dossiers van patiënten uit verschillende landen naar één centrale computer sturen. Dat is verboden vanwege privacywetten. Het is alsof je niet mag zeggen: "Hier is de naam en het adres van mijn buurman," maar je wel mag zeggen: "Mijn buurman is 30 jaar oud en woont in een rijtjeshuis."

De Magische Sleutel: Federated Learning (Het "Geheime Kookpand")

Om dit op te lossen, gebruiken ze een slimme techniek die Federated Learning heet.

• De Vergelijking: Stel je voor dat elke ziekenhuisgroep in een eigen keuken zit (in Nederland, Polen, Engeland, Frankrijk, Italië). Iedereen heeft zijn eigen ingrediënten (patiëntdata).
• Het Oude Manier: Iedereen stuurt al zijn ingrediënten naar één grote keuken om een soep te maken. Dit mag niet vanwege privacy.
• De STRONG AYA Manier: Iedereen blijft in zijn eigen keuken. Ze krijgen allemaal hetzelfde recept (de vraag van de onderzoekers). Ze koken hun eigen soep, proeven het, en sturen alleen het recept en de smaaktest naar de centrale groep. Ze sturen geen ingrediënten of namen.
• Het Resultaat: De centrale groep kan nu een perfect recept maken dat werkt voor iedereen, zonder dat ze ooit hebben gezien wie er in welke keuken zat.

Wat hebben ze nu gedaan? (Het Voorbeeld uit Leeds)

In dit specifieke onderzoek kijken ze naar een regio in Engeland (Leeds). Ze hebben hun eigen data gekoppeld aan dit grote Europese netwerk.

Ze wilden weten: "Hoe voelt een jonge patiënt zich emotioneel?" (Angst en depressie).

1. De Data: Ze namen de antwoorden van patiënten uit Leeds.
2. De Vergelijking: Ze stuurden een vraag naar het Europese netwerk: "Wat is de gemiddelde angstscore van een 20-jarige met leukemie in Europa?"
3. Het Antwoord: Het netwerk kwam terug met een "gemiddelde lijn" (een referentiewaarde) zonder dat de data van de andere landen ooit naar Engeland verhuisde.

De "Dashboard" voor de Dokter

Nu komt het leuke deel voor de patiënt en de arts. Ze hebben een digitaal dashboard gebouwd (genaamd PROMPT) dat in het ziekenhuis wordt gebruikt.

• De Verkeerslichten: Stel, een patiënt vult een vragenlijst in over zijn angst. Het systeem toont dit als een stip op een grafiek.
• De Groene Band: Rondom die stip zie je een groene band. Dit is de "normale" zone, gebaseerd op duizenden andere jonge patiënten in heel Europa.
• De Boodschap:
  • Als de stip in de groene band zit: "Je voelt je net als de meeste andere jongeren in jouw situatie. Alles is normaal."
  • Als de stip boven de groene band uitsteekt: "Je voelt je iets zwaarder dan de gemiddelde. Misschien is het tijd om hier even over te praten met de arts of een psycholoog."

Dit helpt de arts om niet alleen te zeggen: "Je ziet er bleek uit," maar: "Je angst is hoger dan bij 90% van de jongeren met jouw ziekte. Laten we daar iets aan doen."

Waarom is dit belangrijk?

Vroeger keken artsen alleen naar de medische cijfers (heeft de tumor gekrompen?). Nu kunnen ze ook kijken naar het menselijke gevoel.

Dit onderzoek laat zien dat je:

1. Privacy veilig houdt (niemand ziet de namen van de andere patiënten).
2. Kracht in aantallen haalt (door Europa samen te werken, heb je veel meer data dan alleen in je eigen stad).
3. Betere gesprekken voert. De arts kan zeggen: "Jij bent niet de enige die dit voelt, en we weten precies wat er in zo'n geval vaak gebeurt."

Conclusie

Dit papier is een bewijs dat het werkt. Het is alsof ze een nieuwe taal hebben uitgevonden waarmee ziekenhuizen uit heel Europa met elkaar kunnen praten over de gevoelens van jonge kankerpatiënten, zonder dat ze elkaar ooit hoeven te verraden. Hierdoor krijgen jonge mensen betere zorg, meer begrip en een betere toekomst.

Technische samenvatting

Probleemstelling

Kanker bij adolescenten en jongvolwassenen (AYA, leeftijd 15-39 jaar) vormt een unieke patiëntengroep met specifieke behoeften die vaak niet worden gedekt door bestaande populatiegebaseerde kankerregisters (PBCR). Hoewel deze registers essentieel zijn voor het monitoren van trends, zijn ze beperkt in hun bruikbaarheid voor AYA-patiënten vanwege het ontbreken van AYA-specifieke data-items, zoals gerelateerd aan ontwikkelingsmilestones en langetermijnkwaliteit van leven (QoL).

Traditionele klinische beslissingshulpmiddelen gebruiken vaak referentiewaarden gebaseerd op historische data of algemene populaties, wat niet representatief is voor de AYA-populatie. Er is een dringende behoefte aan een veilige, privacy-bewuste manier om data uit verschillende Europese landen te combineren om betrouwbare, AYA-specifieke referentiewaarden te genereren voor klinisch gebruik, zonder dat individuele patiëntgegevens centraal worden opgeslagen.

Methodologie

De studie beschrijft de integratie van regionale registerdata in een pan-Europese infrastructuur met behulp van Federated Learning (FL). De aanpak omvat de volgende technische componenten:

1. Databron en Harmonisatie:

   • Data uit het Yorkshire Specialist Register of Cancer in Children and Young People (YSRCCYP) in het VK wordt gebruikt als case study.
   • Om lokale dataformaten (vaak specifiek voor een regio) te harmoniseren met de internationale STRONG AYA standaarden, wordt een gedeelde terminologiemap gebruikt in combinatie met de Flyover-tool. Deze tool mapt lokale data-items naar semantisch interoperabele Resource Description Frameworks (RDF).
   • Een Core Outcome Set (COS) is ontwikkeld om klinische data en Patient Reported Outcomes (PROs) te standaardiseren.

2. Federated Learning Infrastructuur (Vantage 6):

   • Data blijft gedecentraliseerd bij de oorspronkelijke instellingen (data stations).
   • De data wordt geïmporteerd in een Vantage 6-node.
   • Analyses worden uitgevoerd via FL-algoritmen waarbij alleen de resultaten (aggregaten) worden uitgewisseld, nooit de individuele niveaus van data. Dit garandeert privacy.

3. Klinische Integratie (PROMPT):

   • De resultaten van de FL-analyses worden geïntegreerd in PROMPT, een lokaal ontwikkeld softwarepakket voor het beheer van PROs dat is gekoppeld aan de elektronische patiëntendossiers (EPR) van het Leeds Teaching Hospital NHS Trust (LTHT).
   • Een "bridging process" (koppelproces) queryt periodiek de STRONG AYA-infrastructuur om dynamische referentiewaarden op te halen en deze te vullen in de lokale database.

4. Gebruiksgemak en Visualisatie:

   • Als proof-of-concept wordt de Hospital Anxiety and Depression Scale (HADS) gebruikt.
   • De tool toont de scores van een individuele patiënt vergeleken met de interkwartielafstand (IQR) en mediaan van de federale dataset, gespecificeerd op leeftijd, ziekte, land en stadium.
   • Visualisaties omvatten lijngrafieken met overlappende groene banden (referentiewaarden) en "verkeerslicht"-kleurcodering in tabellen.

Belangrijkste Bijdragen

• Technische Architectuur: Bewijs van concept voor het koppelen van een lokaal PBCR aan een pan-Europese FL-infrastructuur zonder data-uitwisseling op individueel niveau.
• Semantische Interoperabiliteit: Succesvolle implementatie van een terminologiemap en Flyover-tool om lokale, specifieke data (zoals onderwijsniveaus) te vertalen naar een gemeenschappelijke standaard.
• Klinische Toepassing: De eerste integratie van federale, AYA-specifieke referentiewaarden in een bestaand klinisch EPR-systeem (PROMPT), waardoor artsen direct toegang hebben tot contextuele data tijdens consulten.
• Open Source: De implementatiecode en algoritmen (zoals het beschrijvende statistieken-algoritme) zijn open-source beschikbaar gesteld via GitHub en Zenodo.

Resultaten

• Dataomvang: De FL-query toonde aan dat er data beschikbaar is van 7 datastations in 5 Europese landen, met in totaal 26.829 AYA-patiënten.
• HADS Data: Specifiek voor de HADS (Angst en Depressie) waren er 368 opnames beschikbaar voor analyse, voornamelijk afkomstig van het Leeds-register (138 opnames) en het Poolse onderzoeksinstituut (210 opnames).
• Visualisatie: Het systeem slaagde erin om de HADS-scores van een fictieve patiënt over een periode van drie maanden te visualiseren tegen de achtergrond van de federale referentiewaarden (Q1, mediaan, Q3).
• Validatie: Workshops met zorgverleners bevestigden de meerwaarde van het hebben van AYA-specifieke referentiewaarden, hoewel er nog uitdagingen zijn rondom adoptie en technologische bereidheid in verschillende landen.

Betekenis en Toekomstperspectief

De studie demonstreert dat regionale kankerregisters waardevolle bijdragen kunnen leveren aan een grotere, Europese infrastructuur, wat leidt tot betere, gepersonaliseerde zorg voor AYA-patiënten.

• Klinische Impact: Zorgverleners kunnen patiënten helpen hun symptomen te normaliseren door ze te vergelijken met peers met dezelfde diagnose in Europa. Dit ondersteunt gedeelde besluitvorming en vroegtijdige interventie.
• Toekomstige Ontwikkeling: De infrastructuur is schaalbaar voor complexere modellen, zoals Cox-regressie en Kaplan-Meier-curves voor overlevingsanalyses en prognostische modellering.
• Beleid en Onderzoek: De aanpak biedt een veilig kader voor het hergebruiken van bestaande datasets en het verzamelen van nieuwe data, wat essentieel is voor het verbeteren van langetermijnuitkomsten en het vormgeven van gezondheidsbeleid.

Kortom, STRONG AYA transformeert passieve registratie in actieve, datagedreven inzichten die direct de patiëntenzorg verbeteren, terwijl de privacy van de patiënt volledig wordt gewaarborgd.