Normative modeling in neuroimaging across psychiatric and neurological disorders: a systematic review and the NORMA reporting checklist
Deze systematische review van 122 neuroimaging-studies belicht de verschuiving naar geïndividualiseerde normatieve modellering in de psychiatrie en neurologie, identificeert kritieke tekortkomingen in empirische fundamenten en rapportage-transparantie, en introduceert de 18-items tellende NORMA-checklist om de constructie, validatie en klinische toepassing van modellen te standaardiseren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je voor dat je een arts bent die probeert te achterhalen of een kind gezond opgroeit. Al meer dan een eeuw vraag je niet alleen: "Is deze groep kinderen groter dan die andere groep?" In plaats daarvan pak je een groeikaart uit de kast. Deze kaart toont het normale bereik van lengtes voor elke leeftijd en geslacht. Je kijkt niet alleen naar het gemiddelde; je kijdt naar waar dit specifieke kind op de curve valt. Als ze ver buiten de kaart vallen, is dat een aanwijzing dat er iets mis kan zijn. Dit is de kracht van "normatieve modellering."
Decennialang hebben neurowetenschappers geprobeerd mentale en neurologische stoornissen (zoals schizofrenie of autisme) te begrijpen door het gemiddelde brein van een groep patiënten te vergelijken met het gemiddelde brein van gezonde mensen. Het is alsovergelijkbaar met het vergelijken van de gemiddelde lengte van een basketbalteam met de gemiddelde lengte van een voetbalteam. Maar deze aanpak heeft een grote fout: het behandelt iedereen in de groep alsof ze hetzelfde zijn. In werkelijkheid zijn breinen chaotisch. Twee mensen met dezelfde diagnose kunnen totaal verschillende hersenproblemen hebben, en twee mensen met verschillende diagnoses kunnen dezelfde hersenkuren delen. Het "gemiddelde" brein verbergt vaak het unieke, individuele verhaal van de persoon die voor je zit. Dit artikel stelt een cruciale vraag: kunnen we eindelijk overstappen van het vergelijken van groepen naar het begrijpen van individuen, en doen we dat wel op de juiste manier?
Het Grote Plaatje: Een Systematische Review
Dit artikel is een enorme "systematische review", wat in feite een supergedetailleerde schattenjacht is. De auteurs, onder leiding van Shinichiro Luke Nakajima en een team van onderzoekers, hebben de wetenschappelijke literatuur afgescand om elke studie te vinden die probeerde deze "groeikaart"-aanpak voor het brein te gebruiken. Ze vonden 122 studies die hieraan voldeden, gepubliceerd tussen 2018 en begin 2025.
Dit is wat zij ontdekten over de huidige staat van het vakgebied:
1. De instrumenten worden geavanceerder
Wetenschappers upgraden hun wiskundige instrumenten. In het verleden gebruikten de meeste studies een methode genaamd Gaussian Process Regression (GPR). Maar onlangs is het veld verschoven naar complexere en flexibelere methoden, specifiek Bayesiaanse regressie en distributionele regressie. Denk aan het upgraden van een simpel liniaal naar een 3D-scanner die niet alleen de gemiddelde lengte meet, maar ook hoe meget mensen variëren in lengte en vorm. Tegen 2024 werden deze nieuwere methoden in bijna 60% van de studies gebruikt.
2. Het probleem met de "referentiegroep"
Om een groeikaart voor het brein te bouwen, heb je een enorme, gezonde referentiegroep nodig om te definiëren wat "normaal" is. De auteurs ontdekten dat hoewel sommige studies enorme datasets gebruikten (tot wel 77.157 mensen!), de mediaan van de studies slechts 642 mensen gebruikte. Dat is een beetje klein om een perfecte kaart van de extremen te krijgen.
Bovendien is de "kaart" vaak bevooroordeeld. De grootste datasets, waar veel onderzoekers op vertrouwen, komen voornamelijk uit het VK en de VS en zijn overwegend Wit. Het artikel wijst erop dat als je referentierichtlijn vooral is getekend voor één type persoon, de "afwijkingsscores" (hoe ver iemand van de kaart afwijkt) fout kunnen zijn voor mensen met een andere achtergrond. Het is alsof je een groeikaart gebruikt die voor volwassenen is gemaakt om een peuter te meten; de cijfers kunnen "abnormaal" lijken, maar dat komt alleen omdat de kaart is gebouwd voor de verkeerde groep.
3. De "Black Box" van validatie
Dit is de grootste zorg van het artikel. Alleen omdat je een fancy model hebt gebouwd, betekent niet dat het werkt bij nieuwe mensen. De auteurs ontdekten dat externe validatie — het testen van het model op een volledig nieuwe groep gezonde mensen uit een andere plek — slechts in 8% van de studies werd gerapporteerd.
Stel je een weer-app voor die regen perfect voorspelt in jouw stad, maar nooit is getest in een naburige stad. Als je die app meeneemt naar de volgende stad, heb je geen idee of hij zal werken. Het artikel suggereert dat we zonder deze stap niet zeker kunnen weten of de "abnormale" hersenscores die we vinden echt zijn of gewoon een glitch in het model.
4. De ontbrekende details
De onderzoekers merkten ook op dat veel studies het verhaal niet volledig vertelden. Hoewel bijna iedereen rapporteerde wat ze bestudeerden, legde minder dan de helft volledig uit hoe ze hun modellen bouwden of wie er precies in hun patiëntengroepen zat. Hielden ze rekening met medicatie? Controleerden ze op andere gezondheidsproblemen? Zonder deze details is het moeilijk om studies te vergelijken of de resultaten te vertrouwen.
De Oplossing: De NORMA Checklist
Omdat het veld zo snel groeit maar de verslaglegging zo inconsistent is, hebben de auteurs een nieuw hulpmiddel ontwikkeld genaamd NORMA (NORmative Modeling Assessment). Het is een checklist van 18 items, zoals een pre-flight veiligheidslijst voor piloten. Het dwingt onderzoekers om transparant te zijn over:
- Hoe ze hun referentiegroep hebben opgebouwd.
- Hoe ze omgingen met verschillen tussen verschillende scanners of ziekenhuizen.
- Hoe ze hun model hebben gevalideerd.
- Hoe ze de resultaten voor patiënten hebben geïnterpreteerd.
De Kern van het Verhaal
Het artikel concludeert dat hoewel de methoden voor het creëren van deze individuele hersenkaarten beter en geavanceerder worden, de fundering nog steeds wankel is. De technologie is klaar om artsen te helpen individuen te behandelen, maar de data en de rapportagestandaarden zijn dat nog niet.
De auteurs suggereren dat totdat we grotere, diversere referentiegroepen hebben en totdat onderzoekers hun modellen rigoureus testen op nieuwe populaties (externe validatie), deze individuele "afwijkingsscores" behandeld moeten worden als krachtige onderzoeksinstrumenten, en nog niet als zelfstandige instrumenten voor klinische besluitvorming. We bouwen de motor, maar we moeten er nog wel voor zorgen dat de kaart voor iedereen nauwkeurig is voordat we de weg op gaan.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.