Evaluating computational assays of chronic fatigue using UK Biobank data

Vermoeidheid is een universele menselijke ervaring, een zware uitputting die zelfs eenvoudige taken als het beklimmen van een berg kan laten voelen. In de medische wereld is het echter een hardnekkige uitdaging om onderscheid te maken tussen normale vermoeidheid en een invaliderende aandoening die bekend staat als chronische vermoeidheid. In tegenjd van een gebroken been dat duidelijk zichtbaar is op een röntgenfoto of een infectie die zichzelf onthult via een bloedtest, laat chronische vermoeidheid geen zichtbaar spoor achter in het lichaam. Het is een subjectieve ervaring, volledig gedefinieerd door wat een patiënt zegt te voelen. Dit gebrek aan een objectieve maatstaf betekent dat artsen moeten vertrouwen op zelfrapportage om een diagnose te stellen, een proces dat kan leiden tot twijfel, misverstanden en de stigmatisering van degenen die werkelijk lijden. Decennialang hebben onderzoekers gezocht naar een biologisch signaal—een biomarker—die de aanwezigheid van deze aandoening zou kunnen bevestigen, in de hoop de gokwerk te vervangen door bewijs.

Een team onderzoekers uit Zwitserland heeft onlangs een belangrijke stap richting dit doel gezet door zich te richten op een enorme, real-world database die bekend staat als de UK Biobank. Ze stelden een eenvoudige maar moeilijke vraag: konden ze een computerprogramma bouwen dat in staat is om chronische vermoeidheid te identificeren door te kijken naar een combinatie van de medische geschiedenis van een persoon en de activiteitspatronen in hun brein? De studie omvatte meer dan 2.200 vrijwilligers die hersenscans hadden ondergaan en gedetailleerde gezondheidsvragenlijsten hadden ingevuld. De onderzoekers gebruikten machine learning, een type computeralgoritme dat patronen leert herkennen door voorbeelden te bestuderen, om te zien of ze chronische vermoeidheid konden voorspellen op basis van de beschikbare gegevens. Ze waren zorgvuldig in het splitsen van de data, waarbij ze de computer trainden op de meeste deelnemers en vervolgens de voorspellingen testten op een aparte groep die de computer nog nooit eerder had gezien, om er zeker van te zijn dat de resultaten echt waren en niet slechts een gelukkige gok.

De resultaten boden een helder, zij het genuanceerd, beeld. Wanneer de computer werd gevoed met enkel klinische informatie—zoals de eerdere medische diagnoses van een persoon, een geschiedenis van kanker, alcoholconsumptie en details over hun slaap—kon het chronische vermoeidheid voorspellen met een gebalanceerde nauwkeurigheid van ongeveer 61 procent. Dit betekent dat het model aanzienlijk beter presteerde dan willekeurige kans bij het onderscheiden van mensen met en zonder de aandoening. De onderzoekers voegden vervolgens een laag complexiteit toe door gegevens van functionele magnetische resonantiebeeldvorming, of fMRI, toe te voegen. Deze scans leggen vast hoe verschillende delen van het brein met elkaar communiceren terwijl een persoon rust. Ze testten twee manieren om deze communicatie te meten: één die keek naar eenvoudige verbindingen tussen hersengebieden, en een andere die probeerde de richting van invloed in kaart te brengen, om te zien welke delen van het brein de activiteit in andere delen aanstuurden.

Verrassend genoeg leidde het toevoegen van de hersenscandata niet consistent tot een verbetering van de prestaties van de computer. Sterker nog, het model dat uitsluitend op klinische informatie vertrouwde, presteerde net zo goed als, en in sommige gevallen zelfs beter dan, de modellen die de hersenbeelden bevatten. Het meest succesvolle model, dat klinische gegevens combineerde met eenvoudige hersenconnectiviteitsmaten, bereikte een nauwkeurigheid van ongeveer 64 procent. Hoewel dit een verbetering is, merkten de onderzoekers op dat de hersenscans de modellen die alleen op klinische gegevens waren getraind, niet consequent overtroffen. De studie merkte expliciet op dat de behaalde voorspellende prestaties nog niet voldoende waren voor klinische toepassing, wat suggereert dat hoewel complexe hersenbeeldvorming veelbelovend is, het momenteel niet de definitieve sleutel is om de diagnostische puzzel van chronische vermoeidheid op te lossen wanneer het op deze specifieke manier met dit type data wordt gebruikt.

Een nadere blik op de data onthulde een enkele, krachtige drijfveer achter deze voorspellingen: slaap. Specifiek kwam de aanwezigheid van insomnie-symptomen (slapeloosheid) naar voren als de belangrijkste factor. Wanneer de onderzoekers een model testten met enkel de vraag of een persoon gewoonlijk problemen heeft met het in slaap vallen of het midden in de nacht wakker worden, slaagde het er nog steeds in om chronische vermoeidheid te voorspellen met een nauwkeurigheid van 57 procent. Deze bevinding suggereert dat voor veel mensen in deze grote groep de ervaring van chronische vermoeidheid diep verweven is met slaapstoornissen. De auteurs waarschuwen dat dit niet betekent dat chronische vermoeidheid simpelweg wordt veroorzaakt door een gebrek aan slaap, noch dat het impliceert dat het oplossen van slaap de aandoening zal genezen. In plaats daarvan wijst het op een gedeeld onderliggend mechanisme, waarbij slaapverstoring een gemeenschappelijke draad kan zijn die verschillende vormen van uitputting met elkaar verbindt.

De studie benadrukte ook de beperkingen van de huidige aanpak. De gebruikte hersenscans in de UK Biobank waren relatief kort, duurden slechts zes minuten, en de manier waarop de data werd verwerkt betekende dat diepe hersenstructuren, die geacht worden cruciaal te zijn voor de energieregulatie, niet goed vertegenwoordigd waren. Bovendien was de definitie van chronische vermoeidheid in de studie gebaseerd op een enkele vraag over of een persoon zich gedurende minstens zes maanden moe heeft gevoeld, wat een praktische maar imperfecte maatstaf is voor een complexe aandoening. De onderzoekers concludeerden dat hoewel hun werk bewijst dat het mogelijk is om chronische vermoeidheid te voorspellen met objectieve gegevens, het huidige niveau van nauwkeurigheid nog niet hoog genoeg is om in een dokterspraktijk te worden gebruikt.

Uiteindelijk vormt dit onderzoek een fundament voor toekomstige ontdekkingen in plaats van een voltooide oplossing. Het demonstreert dat objectieve instrumenten voor het diagnosticeren van vermoeidheid haalbaar zijn en dat slaapgerelateerde informatie een cruciaal onderdeel van de puzzel is. De studie suggereert dat toekomstige inspanningen zich moeten richten op het verfijnen van hoe slaap wordt gemeten, bijvoorbeeld door gebruik te maken van draagbare apparaten voor preciezere gegevens, en op het ontwerpen van hersenscans die de specifieke hersengebieden die betrokken zijn bij energie en uitputting beter vastleggen. Door weg te bewegen van de loutere afhankelijkheid van zelfrapportage, bouwt de wetenschap langzaam aan een betrouwbaardere manier om de ervaring van chronische vermoeidheid te begrijpen en te valideren, in de hoop dat de bewijslast op een dag zal verschuiven van de patiënt naar de data.