Infrared Thermal Imaging Combined with Machine Learning for Detecting Disease Activity in Rheumatoid Arthritis: A Proof-of-Concept Study

Reumatoïde artritis is een aandoening waarbij het immuunsysteem van het lichaam per ongeluk de gewrichten aanvalt, wat zorgt voor pijn, zwelling en stijfheid. Voor artsen is het essentieel om precies te weten hoe actief deze ziekte op elk gegeven moment is, omdat dit bepaalt of een patiënt sterkere medicatie nodig heeft of dat de huidige behandeling werkt. De standaardmanier om deze activiteit te meten, omvat een combinatie van bloedtests en een lichamelijk onderzoek waarbij een arts telt hoeveel gewrichten gevoelig of gezwollen zijn. Echter, dit proces heeft gebreken. De bloedtests meten algemene ontstekingen die door veel zaken veroorzaakt kunnen worden, niet alleen door artritis, en het lichamelijk onderzoek rust deels op hoe de patiënt zijn of haar eigen pijn beschrijft, wat van persoon tot persoon kan verschillen. Vanwege deze onzekerheden zoeken onderzoekers al lang naar een manier om de ontsteking direct te zien, zonder naalden of subjectieve vragen. Een veelbelovend idee is om gebruik te maken van de warmte die ontstoken gewrichten van nature produceren. Wanneer een gewricht ontstoken is, wordt het warmer, vergelijkbaar met hoe een vuur heter brandt dan de omringende lucht. Infraroodcamera's kunnen deze warmte zien en deze omzetten in een zichtbaar beeld dat laat zien waar de warmte precies gelokaliseerd is.

Een recente studie zette zich in om te testen of deze warmte gebruikt kon worden als een betrouwbaar hulpmiddel om een opvlamming van reumatoïde artritis op te sporen. De onderzoekers werkten met een kleine groep van elf patiënten die de ziekte hadden en negen mensen zonder de ziekte. Ze maakten thermische foto's van de handen van de patiënten op verschillende momenten, waarbij ze beelden vastlegden wanneer de patiënten een opvlamming ervoeren en opnieuw wanneer ze een behandeling hadden ontvangen en zich beter voelden. Het team gebruikte een computersysteem om de temperatuur van specifieke gebieden op de hand te analyseren, zoekend naar patronen die een hand die ziek was van een gezonde hand konden onderscheiden. Ze testten ook een meer geavanceerde aanpak door gebruik te maken van machine learning, een type computerprogramma dat leert patronen te herkennen door voorbeelden te bestuderen. Het doel was om te zien of de computer naar de warmtekaart van een hand kon kijken en de arts kon vertellen of de artritis mild, matig of ernstig was, of simpelweg of de ziekte actief genoeg was om behandeling te vereisen.

Het eerste dat de onderzoekers controleerden, was een simpel idee: konden ze gewoon naar het enkel heetste punt op de hele hand kijken om te bepalen of een patiënt een opvlamming had? Ze vergeleken de maximale temperatuur van de handen van patiënten tijdens een opvlamming met de handen van gezonde mensen. De resultaten waren duidelijk en onverwacht: het heetste punt op een zieke hand was niet significant heter dan het heetste punt op een gezonde hand. De temperaturen waren bijna identiek en schommelden voor beide groepen rond de 98 graden Fahrenheit. Deze bevinding sloot de mogelijkheid uit dat een enkele, algehele temperatuurmeting van de hand als een snelle test voor een opvlamming zou kunnen dienen. Het suggereerde dat de warmte van artritis te specifiek is voor individuele gewrichten om gezien te worden door naar de hand als geheel te kijken.

Niet ontmoedigd, gingen de onderzoekers over tot een meer gedetailleerde analyse. In plaats van de hand als één groot object te beschouwen, deelden ze het beeld op in twaalf specifieke zones, die elk overeenkomen met een gewricht of een referentiepunt. Ze voedden de temperatuurgegevens van deze individuele zones in aan computermodellen die ontworpen zijn om de ziekteactiviteit te classificeren. Bij een eerdere poging tot deze analyse had het team een veelvoorkomende fout gemaakt in de manier waarop ze de computer hadden getraind. Ze hadden de computer toegestaan om afbeeldingen van dezelfde patiënt te zien in zowel de trainingsfase als de testfase. Dit is alsocht het geven van een toets aan een student die vragen bevat die de student al eerder heeft gezien bij het huiswerk; de student haalt misschien een hoge score, maar dat betekent niet dat hij of zij de stof daadwerkelijk heeft geleerd. Zododra de onderzoekers deze fout corrigeerden en ervoor zorgden dat de computer werd getest op patiënten die hij nog nooit eerder had gezien, veranderden de resultaten drastisch.

Toen de analyse correct werd uitgevoerd, konden de computermodellen de patiënten niet langer betrouwbaar onderverdelen in drie categorieën van ernst: mild, matig of ernstig. De modellen presteerden niet beter dan simpelweg gokken op de meest voorkomende categorie. Dit betekende dat met het kleine aantal patiënten in de studie, de warmtepatronen niet onderscheidend genoeg waren om een fijnmazige diagnose te stellen van hoe ernstig de ziekte was. Echter, toen de onderzoekers de vraag vereenvoudigden, kwam er een ander beeld naar voren. In plaats van drie niveaus van ernst te vragen, vroegen ze de computer om een binaire keuze te maken: is de ziekte actief en heeft deze behandeling nodig, of is deze laag genoeg om als onder controle beschouwd te worden? Door een specifieke klinische drempelwaarde te gebruiken die artsen gebruiken om te beslissen wanneer ze een patiënt behandelen, toonde het computermodel een veelbelovende trend. Het identificeerde de ziektestatus correct in ongeveer 73 procent van de gevallen, wat beter was dan de nauwkeurigheid van 58 procent die men zou krijgen door simpelweg de meest voorkomende uitkomst te raden.

Deze verbetering was geen gegarandeerd succes, aangezien het resultaat niet de strikte statistische standaard bereikte die gewoonlijk vereist is om een ontdekking te verklaren. De onderzoekers merkten op dat hun patiëntengroep vrij klein was, wat het moeilijk maakt om zeker te zijn dat het patroon dat zij zagen voor iedereen zou gelden. Het computermodel dat het beste presteerde, was een type algoritme dat bekend staat als een 'random forest', wat goed is in het vinden van complexe, niet-lineaire relaties in data. Het feit dat dit model een stabiele trend liet zien over verschillende manieren van het testen van de data, suggereert dat er waarschijnlijk iets reëels in de warmtesignaturen zit, maar dat het een grof signaal is. Het lijkt in staat te zijn om het verschil te zien tussen een hand die duidelijk actief is en een hand die rustig is, maar het kan nog geen subtiele verschillen tussen milde en matige ontsteking onderscheiden.

De studie concludeerde dat hoewel een enkele temperatuurmeting van de hele hand niet nuttig is voor het detecteren van een opvlamming, de gedetailleerde warmtekaart van de gewrichten potentie heeft. De onderzoekers vonden dat het warmtesignaal waarschijnlijk te subtiel is om de exacte ernst van de ziekte te graderen met een kleine steekproef, maar het zou sterk genoeg kunnen zijn om artsen te helpen beslissen of een patiënt een behandeling nodig heeft. Het werk dient als een bewijs van concept (proof of concept), waarbij wordt aangetoond dat infraroodbeeldvorming in combinatie met zorgvuldige computerelementen een objectief beeld van gewrichtsontsteking kan bieden. De auteurs benadrukten echter dat dit nog geen voltooid instrument is. Om van een veelbelovende trend naar een betrouwbare medische test te gaan, moet de methode gevalideerd worden in een veel grotere groep patiënten. Tot die tijd blijft de technologie een hoopvolle mogelijkheid in plaats van een standaardzorg, die een blik werpt op een toekomst waarin artsen de brand van artritis kunnen zien zonder de patiënt te vragen de hitte te beschrijven.