Phenotypic Heterogeneity in Ischemic Heart Disease Uncovered by Unsupervised Clustering of Routine Laboratory Parameters

De verborgen patronen in uw bloed

Stel u uw lichaam voor als een bruisende stad. Jarenlang waren artsen als verkeersregelaars die naar de hoofdwegen keken om te zien of er een file stond. In de wereld van de hartgezondheid is die "file" Ischemische Hartziekte (IHZ), een aandoening waarbij de hartspier niet genoeg zuurstofrijk bloed krijgt. Traditioneel hebben artsen, om het specifieke verkeersprobleem van een patiënt te begrijpen, vertrouwd op dure, hoogtechnologische hulpmiddelen zoals röntgencamera's (angiografie) of complexe genetische kaarten (omics) om precies te zien wat er binnenin gebeurt.

Maar wat als de dagelijkse rapportages van de stad — de eenvoudige logs van vuilnisopphaal, waterverbruik en elektriciteitsrekeningen — u net zoveel zouden kunnen vertellen over de files? In de geneeskunde zijn deze "dagelijkse rapportages" de standaard bloedtests die iedereen krijgt: controles van rode bloedcellen, leverfunctie, niergezondheid en vetten in het bloed. Deze tests zijn goedkoop, snel en bijna overal beschikbaar. De grote vraag die wetenschappers hebben gesteld is: Kunnen we deze eenvoudige, alledaagse cijfers gebruiken om verborgen groepen patiënten te vinden die eigenlijk heel verschillend van elkaar zijn, zelfs als ze allemaal dezelfde diagnose voor hartziekte hebben? Dit artikel duikt in dat mysterie, gebruikmakend van een speciaal soort computerbrein genaamd "unsupervised machine learning" om patiënten in teams te verdelen op basis van enkel hun bloedonderzoek, zonder naar de leidingen van het hart of het DNA te hoeven kijken.

De Grote Bloedtest-sortering

In dit onderzoek besloten onderzoekers in Lahore, Pakistan, een spel van "de menigte organiseren" te spelen met 306 mensen die al wisten dat ze Ischemische Hartziekte hadden. Ze hadden geen controlegroep van gezonde mensen om mee te vergelijken; ze wilden alleen zien of de zieke mensen allemaal hetzelfde waren of dat ze eigenlijk een mix van verschillende typen waren. Ze namen een enorme lijst met routinematige laboratoriumresultaten — zaken zoals de hoeveelheid vet in het bloed, hoe goed de lever werkt en hoeveel witte bloedcellen er zijn om ontstekingen te bestrijden — en voerden deze in een computer.

De computer gebruikte een techniek genaamd clustering. Denk aan een DJ op een feestje die de namen van niemand kent, maar luistert naar de muziek waar iedereen op danst. In plaats van te vragen: "Wie houdt van pop?" of "Wie houdt van rock?", kijkt de DJ gewoon naar de dansvloer. Als een groep mensen dezelfde vreemde dansbeweging doet, groepeert de DJ hen samen. De computer deed dit met bloedgegevens, waarbij gezocht werd naar patronen waarbij bepaalde getallen altijd samen omhoog of omlaag gingen.

Na het uitproberen van vijf verschillende manieren om de gegevens te sorteren, vond de computer dat de beste manier om deze patiënten te groeperen, het verdelen in drie duidelijke teams was. Het was geen willekeurige gok; de groepen waren zo stabiel dat de wiskundige "silhouette score" (een maatstaf voor hoe goed gedefinieerd de groepen zijn) hoog en consistent was tussen de initiële gegevens en de nieuwe testgegevens. Om deze onzichtbare groepen zichtbaar te maken voor artsen, trainden de onderzoekers vervolgens een apart "detective"-computerprogramma (een Random Forest classifier) om de patronen van deze groepen te leren. Wanneer getest op nieuwe patiënten, kon dit detectiveprogramma correct identificeren bij welk team een patiënt hoorde in ongeveer 78% van de gevallen, wat bewees dat de groepen echt en onderscheidend waren.

De drie ontdekte teams:

1. Het "Hoog Risico Mix" Team (12,7% van de patiënten): Dit was de kleinste groep, maar de meest intense. Deze patiënten hadden een "perfecte storm" in hun bloed: hoge niveaus van slechte vetten (specifiek VLDL en triglyceriden), tekenen dat hun lever worstelde (hoge AST- en ALT-enzymen) en een hoog aantal neutrofielen (een type witte bloedcel dat wijst op ontsteking). De onderzoekers noemen dit een "atherogene-hepatische-inflammatoire" signatuur. Het is als een stad waar de vuilniswagens overstromen, de elektriciteitscentrale rook uitstoot en de politie op hoog alarm staat, allemaal tegelijk.
2. Het "Zuivere Vet" Team (26,5% van de patiënten): Deze groep was groter. Zij hadden hoge niveaus van vetten in hun bloed (VLDL, triglyceriden en LDL), maar hun leverenzymen waren normaal en ze vertoonden niet dezelfde tekenen van ontsteking. Ze waren als een stad met een verkeersopstopping die puur wordt veroorzaakt door te veel auto's, terwijl de rest van de infrastructuur prima functioneert.
3. Het "Lager Risico" Team (60,8% van de patiënten): Dit was de grootste groep en vormde de meerderheid van de patiënten. Zij hadden de laagste niveaus van de slechte vetten en de hoogste niveaus van lymfocyten (een ander type witte bloedcel). Zij leken de "rustigste" groep, met de minste mate van metabole en inflammatoire stress.

Het Detectiewerk: De Aanwijzingen Vinden

Zodra de computer de patiënten had gesorteerd, vroegen de onderzoekers: "Welke specifieke getallen waren het belangrijkst voor het maken van deze groepen?" Ze gebruikten een digitale detective-tool genaamd Random Forest (wat lijkt op een team van besluitvormers die over het antwoord stemmen). Ze ontdekten dat de belangrijkste aanwijzingen VLDL (een type vet), Totaal Bilirubine (een afvalproduct van de lever), Triglyceriden en de leverenzymen AST en ALT waren. Verrassend genoeg waren zaken zoals nierfunctie of standaard bloedcelwaarden niet de belangrijkste drijvers. Het bleek dat de sleutel tot het onderscheiden van deze patiënten lag in de relatie tussen hoe hun lichaam met vet omgaat en hoe hun lever functioneert.

De onderzoekers probeerden vervolgens deze complexe computervondsten om te zetten in eenvoudige regels die een arts op een papiertje kan lezen. Ze gebruikten een Decision Tree (die lijkt op een stroomdiagram) en een Fuzzy Rule systeem (dat taal gebruikt zoals "Hoog", "Gemiddeld" of "Laag" in plaats van exacte getallen).

Ze kwamen met regels zoals: "ALS de VLDL Hoog is EN de AST Laag is, DAN behoort de patiënt tot het 'Zuivere Vet' team."
Hoewel de computer de "Hoog Risico Mix"-groep kon identificeren, waren de eenvoudig opgeschreven regels minder nauwkeurig voor deze specifieke groep vanwege de kleine omvang en complexe biologie, wat betekent dat artsen nog niet kunnen vertrouwen op één enkele korte zin om hen zo gemakkelijk te herkennen als de andere groepen.

Wat dit betekent (en wat het niet betekent)

Het artikel suggereert dat we, zelfs zonder dure hartscans of genetische tests, verborgen verschillen in hartpatiënten kunnen vinden door enkel naar hun routinematige bloedonderzoek te kijken. Het bewijst dat de "one-size-fits-all" visie op hartziekten misschien te simpel is. Er zijn subgroepen, en sommige (zoals de 12,7% in de Hoog Risico Mix) hebben misschien extra aandacht nodig omdat hun lichaam zowel met vetproblemen als met leverontstekingen te maken heeft.

De auteurs zijn echter zeer voorzichtig om niet te zeggen dat ze het mysterie van de hartziekte hebben opgelost. Ze geven expliciet aan dat dit een hypothese-genererende studie is. Ze hebben de groepen gevonden, en de computer is erg goed in het sorteren van mensen in deze groepen, maar ze weten nog niet of deze groepen daadwerkelijk voorspellen wie zieker wordt of eerder overlijdt. Ze hebben de patiënten niet over een langere periode gevolgd om te zien wat er gebeurde. Ze hebben deze patiënten ook niet vergeleken met gezonde mensen; ze hebben alleen gekeken naar mensen die de ziekte al hadden.

Dus, hoewel de studie aantoont dat deze drie groepen echt en onderscheidend zijn op basis van bloedchemie, is het nog steeds een "proof of concept". Het is alsoer dat je drie verschillende soorten wolken in de lucht vindt en beseft dat ze er anders uitzien, maar we hebben nog niet bewezen dat het ene type wolk altijd een orkaan brengt terwijl de andere slechts een lichte motregen geeft. De onderzoekers hopen dat toekomstige studies deze patiënten zullen volgen om te zien of de "Hoog Risico Mix"-groep inderdaad slechtere uitkomsten heeft, wat artsen de mogelijkheid zou bieden om deze eenvoudige, goedkope bloedtests te gebruiken voor betere, meer gepersonaliseerde zorg, vooral op plaatsen waar geavanceerde machines niet beschikbaar zijn.