A bibliometric analysis of artificial intelligence and machine learning in preclinical mesenchymal stem cell therapy and manufacturing from 2009 to 2025
Deze bibliometrische analyse van 144 documenten van 2009 tot 2025 onthult dat de toepassingen van kunstmatige intelligentie in mesenchymale stamceltherapie snel groeien maar overwegend preklinisch blijven, met een focus op karakterisering in plaats van op kwaliteitscontrole bij de productie of klinische vertaling, waardoor een kritiek gat wordt benadrukt in de potentie-voorspellende modellen die nodig zijn om het vakgebied richting de kliniek te brengen.
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
Al twee decennia lang werken wetenschappers eraan om een specifiek type menselijke cel om te vormen tot een medicijn. Deze cellen, bekend als mesenchymale stamcellen, zijn te vinden in weefsels zoals beenmerg en vet. Ze bieden een uniek perspectief: ze kunnen het immuunsysteem kalmeren en helpen beschadigde organen te repareren, wat hoop biedt bij de behandeling van alles van gewrichtsletsels tot ontstekingsziekten. Het is echter moeilijk gebleken om deze cellen van een laboratoriumschaaltje naar het bed van de patiënt te brengen. De cellen zijn gevoelig; hun gedrag verandert afhankelijk van waar ze vandaan komen, hoe ze zijn gekweekt en hoe vaak ze zijn gedeeld. Om veilig en effectief te zijn, moet elke batch cellen streng worden getest om te garanderen dat ze krachtig genoeg zijn om te werken en vrij zijn van defecten. Deze test, bekend als kwaliteitscontrole, is traag, duur en vertrouwt vaak op subjectief menselijk oordeel, wat een flessenhals vormt die veel veelbelovende therapieën tegenhoudt bij het bereiken van de kliniek.
In de afgelopen jaren hebben onderzoekers zich tot kunstmatige intelligentie en machine learning gewend om dit probleem op te lossen. Dit zijn computersystemen die zijn ontworpen om patronen in gegevens te vinden, net zoals een mens dat zou doen, maar met het vermogen om enorme hoeveelheden informatie snel te verwerken. De hoop is dat deze instrumenten cellen automatisch kunnen analyseren, kunnen voorspellen hoe goed ze zullen werken en kunnen garanderen dat ze aan strikte veiligheidsnormen voldoen zonder dat daar destructieve of tijdrovende tests voor nodig zijn. Maar hoewel het idee populair is, heeft niemand gestopt om precies in kaart te brengen hoe deze technologie daadwerkelijk in dit specifieke veld wordt gebruikt. Een nieuwe studie door onderzoekers aan de Qatar University heeft dat juist wel gedaan, door een gedetailleerd beeld te schetsen van de wetenschappelijke literatuur om te zien waar het werk plaatsvindt, welke methoden worden gebruikt en waar de hiaten bestaan.
De onderzoekers verzamelden en analyseerden 144 wetenschappelijke documenten die tussen 2009 en 2025 zijn gepubliceerd en die de toepassing van kunstmatige intelligentie met mesenchymale stamcellen bespreken. Ze keken naar alles, van de soorten computeralgoritmen die werden gebruikt tot de specifieke taken die de computers kregen toegewezen. Het veld is jong maar groeit snel, met een toename van het aantal publicaties van ongeveer 35 procent per jaar. Het werk is geconcentreerd in een paar belangrijke landen, geleid door China en de Verenigde Staten, met een bescheiden mate van internationale samenwerking. Ondanks de opwinding laat de studie zien dat het overgrote deel van dit onderzoek nog steeds in het laboratorium plaatsvindt, ver weg van het ziekenhuisbed.
Wanneer de onderzoekers uiteenlegden wat de wetenschappers daadwerkelijk deden, kwam er een duidelijk patroon naar voren. De meeste van het werk richtte zich op het classificeren van cellen of het diagnosticeren van hun conditie op basis van afbeeldingen of gegevens. Dit is een vorm van celkarakterisering, waarbij de computer leert hoe een gezonde cel eruitziet versus een beschadigde cel. Hoewel dit nuttig is, is het niet hetzelfde als de cruciale stap van de vrijgave-test (release testing). Vrijgave-testen is de laatste controle die bepaalt of een batch cellen veilig en krachtig genoeg is om aan een patiënt te worden toegediend. De studie toonde aan dat zeer weinig papers dit specifieke, risicovolle proces behandelden. In plaats van modellen te bouwen om te voorspellen of een batch zou voldoen aan een wettelijke vrijgave-standaard, bouwden onderzoekers voornamelijk modellen om de cellen die zij bestudeerden te beschrijven.
De kloof tussen het laboratorium en de kliniek is groot. Bijna de helft van alle geanalyseerde documenten beschreef preklinisch werk, wat betekent dat experimenten werden uitgevoerd in laboratoria of op dieren. Slechts een klein deel, ongeveer twee procent, beschreef werk dat de klinische fase van testen bij mensen had bereikt. Zelfs binnen de categorie productie en kwaliteitscontrole, die verantwoordelijk was voor ongeveer 13 procent van de papers, lag de focus op het karakteriseren van de cellen in plaats van het valideren ervan voor patiëntgebruik. De meest voorkomende bronnen van de bestudeerde cellen waren beenmerg en vetweefsel, en de meest voorkomende toepassingen waren voor bot- en orthopedische problemen. De studie merkte echter op dat in veel gevallen de specifieke bron van de cellen niet eens duidelijk werd gerapporteerd in de papers, wat het moeilijk maakt om resultaten te vergelijken of betrouwbare modellen te bouwen.
De analyse suggereert dat hoewel kunstmatige intelligentie de wereld van stamceltherapie betreedt, het nog niet de moeilijkste kant van het probleem heeft aangepakt. De technologie wordt toegepast op het productieproces, maar concentreert zich op het beschrijven van de cellen in plaats van het oplossen van de regelgevende hindernissen die voorkomen dat ze aan patiënten worden vrijgegeven. De onderzoekers vonden dat de vocabulaire van kunstmatige intelligentie nu diep verweven is met het gesprek over de celbiologie, maar dat het nog geen sterke verbinding heeft gevormd met de vocabulaire van productie en kwaliteitscontrole. Met andere woorden: wetenschappers gebruiken slimme instrumenten om de cellen te begrijpen, maar ze hebben nog niet de slimme instrumenten gebouwd die vereist zijn om die cellen voor menselijk gebruik te certificeren.
Dit betekent niet dat de technologie faalt; het geeft eerder aan dat het veld zich nog in een vroege fase bevindt. De onderzoekers wijzen erop dat voor kunstmatige intelligentie om echt te helpen de kloof naar de kliniek te overbruggen, toekomstig werk zich moet richten op het creëren van modellen die gevalideerd zijn tegen de strikte criteria die worden gebruikt voor de vrijgave van geneesmiddelen aan patiënten. Dit zal een betere rapportage vereisen over waar cellen vandaan komen en wat hun kwaliteitskenmerken zijn, zodat computers kunnen leren van consistente gegevens. De studie concludeert dat de weg vooruit inhoudt dat de aandacht verschuift van algemene celbeschrijving naar de specifieke, gereguleerde stappen van productie en vrijgave-testen. Totdat die verschuiving plaatsvindt, zal de belofte van kunstmatige intelligentie in dit veld grotendeels op papier blijven staan, wachtend op integratie in de systemen die deze levensreddende therapieën daadwerkelijk bij de mensen krijgen die ze nodig hebben.
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.