Over het muurtje: de McKinsey-prijs

Marijne: “Dag Edward. Eerst en vooral: proficiat! Je won dit jaar de prijs McKinsey & Company. Waarover ging je onderzoek precies?”

Edward: “Heel erg bedankt, Marijne! Het is een hele eer om voor die prijs als laureaat uit de bus te komen. Tijdens mijn doctoraat heb ik gewerkt aan de ontwikkeling van nieuwe machine learning-technieken voor precisiegeneeskunde. Binnen de precisiegeneeskunde wordt de gezondheidszorg afgestemd op het individuele profiel van de patiënt: hun klinische voorgeschiedenis, hun achtergrond en hun omgevingsfactoren geven allemaal mee vorm aan de zorg die ze uiteindelijk ontvangen.”

“Zo wil de precisiegeneeskunde de resultaten van behandelingen verbeteren, een sneller herstel bevorderen, de levenskwaliteit verbeteren en de financiële druk op de gezondheidszorg verlichten. In mijn thesis heb ik innovatieve manieren voorgesteld om de rijkdom aan beschikbare klinische gegevens te gebruiken om gepersonaliseerde klinische voorspellingen te doen.”

Marijne: “Hoe ben je bij dat onderwerp gekomen?”

Edward: “Na mijn studies aan UCLouvain en KU Leuven, heb ik een tijdje gewerkt in Antwerpen en ben ik daarna een jaar lang door Zuid-Amerika getrokken. Daarna besloot ik dat ik wilde doctoreren, maar ik wilde dat mijn onderzoek gemotiveerd werd door echte problemen die een duidelijke impact hebben op onze maatschappij. Op dat vlak was de gezondheidszorg een fascinerend gebied: je vindt er een eindeloze aanvoer van uitdagende modelleerproblemen.”

“In de wereld van machine learning beweegt alles bovendien heel snel. Net daarom vind ik het zo belangrijk dat onderzoek vertrekt van klinische vragen uit de echte wereld. In mijn geval werkte ik samen met de groep van Prof. Liesbet Peeters aan de UHasselt, die werkt aan multiple sclerose. Zo kon ik snel belangrijke klinische vragen identificeren en kwam ik in contact met klinische medewerkers die goede feedback gaven op mijn werk.”

“Maar dat weet jij natuurlijk even goed als ik, want het onderzoek waarmee jij laureaat werd voor McKinsey & Company focust zich specifiek op die ziekte, toch?

Marijne: “Dat klopt. In Europa lijden meer dan 400.000 mensen aan de ziekte, wereldwijd zijn dat er zelfs 2,5 miljoen. MS is daarmee de belangrijkste oorzaak van neurologische invaliditeit bij jongvolwassenen, waarbij de eerste symptomen meestal optreden in de bloei van hun leven: tussen de 20 en 40 jaar. Deze ziekte van het centraal zenuwstelsel komt de afgelopen jaren ook steeds vaker voor, wat suggereert dat omgevingsfactoren een belangrijke rol spelen. Obesitas en een tekort aan vitamine D zijn allebei al in verband gebracht met een hoger risico op MS, maar een verband betekent natuurlijk niet automatisch dat het ook de oorzaak is.”

“De echte kracht van machinaal leren is het vermogen om gigantische hoeveelheden gegevens te verwerken.”

“Ook bij mensen met multiple sclerose kan dat helpen om hun behandeling aan te passen.”

“Om MS effectief te voorkomen, is het cruciaal om vast te stellen of we een oorzakelijk verband kunnen vaststellen tussen omgevingsfactoren en de ziekte. Daarvoor maakte ik gebruik van een nieuwe methode, de ‘Mendeliaanse randomisatie’. We gebruiken genetische varianten als indicatoren voor omgevingsfactoren, zoals de body mass index, het BMI. In mijn onderzoek heb ik zo kunnen aantonen dat obesitas en lage vitamine D-niveaus de kans op MS vergroten.”

Edward: “Je hebt dus twee factoren kunnen vaststellen die de ziekte kunnen veroorzaken. Wat betekent dat voor de behandeling van mensen met MS?”

Marijne: “Er zijn vandaag al heel wat verschillende opties om MS te behandelen, die elk hun eigenheden hebben op het vlak van veiligheid en werkzaamheid. Maar als we de invaliditeit willen verminderen die met MS samengaat, moeten we eigenlijk op zoek naar nog meer gerichte therapieën en gepersonaliseerde behandelingen. Als we beter begrijpen welke factoren een invloed hebben op het risico op MS en de frequentie van opstoten, kunnen we misschien patiënten identificeren die baat zouden hebben bij specifieke interventies en hun behandeling aanpassen.”

“Daar zie ik zeker ook opties voor machine learning, toch?”

Edward: “Absoluut. De echte kracht van machinaal leren is natuurlijk het vermogen om gigantische hoeveelheden gegevens te verwerken. Onze samenleving wordt steeds meer digitaal, en dat betekent ook dat er elk jaar enorme hoeveelheden klinische gegevens bij komen. Zoveel, dat geen enkele menselijke arts ooit al deze informatie zou kunnen verwerken. Machine learning zou dokters kunnen helpen bij hun besluitvorming.”

“Op basis van de beschikbare klinische gegevens van een patiënt zouden modellen het toekomstige ziektetraject van een patiënt kunnen voorspellen en behandelstrategieën kunnen voorstellen, terwijl ze transparant zijn over het bewijs dat bij hun voorspelling is gebruikt. In mijn onderzoek is dat in elk geval al gelukt voor patiënten op de intensieve zorgen, voor mensen met MS en bij COVID-19.”

“Al is dat voorlopig nog toekomstmuziek. De implementatie van nieuwe innovaties in het ziekenhuis duurt een stuk langer dan een doctoraat. Ik hoop echter dat mijn werk het potentieel van machine learning voor het verbeteren van de zorg en de waarde van beschikbare klinische gegevens heeft aangetoond.”

Marijne: “In de gezondheidszorg zit er inderdaad altijd een extra laag complexiteit in je onderzoek. Het verhogen van de vitamine D-niveaus bij mensen zonder vitamine D-deficiëntie leidt niet tot duidelijke gezondheidsvoordelen. Daarom is er meer onderzoek nodig om het kritieke tijdsvenster voor interventies te identificeren, wie er baat bij heeft en hoe die grootschalige interventies best opgezet worden.”

Edward: “Hoe ga je daarmee om? Dat, zelfs als je een antwoord vindt op je vraag, dat niet per se een antwoord is waar onmiddellijk kan op worden ingezet? Ik had het geluk dat ik kon bouwen op mijn promotor als de dingen weer eens niet wilden lukken bij de eerste poging. Had jij ook zo’n netwerk, waarop je kon steunen?”

Marijne: “Dat is een van de grootste lessen uit mijn doctoraat: internationale samenwerkingen en kennis delen zijn enorm belangrijk. Door samen te werken met onderzoekers wereldwijd en mijn onderzoeksresultaten te presenteren op congressen, heb ik ervaren hoe waardevol het is om feedback te krijgen van experts uit verschillende disciplines. Zulke interacties helpen niet alleen om mijn eigen onderzoek te verbeteren, maar versnellen ook wetenschappelijke vooruitgang door collectieve inspanningen.”

“Als ik stootte op, bijvoorbeeld, analyses die niet meteen succesvol waren, probeerde ik zulke situaties te zien als leermomenten in plaats van mislukkingen. Ik ging na wat er misging, paste mijn aanpak aan en gebruikte de feedback van mijn begeleiders en collega's om mijn werk te verbeteren. Het hielp ook om mijn doelen op te delen in kleinere, beheersbare stappen en successen, hoe klein ook, te vieren. Zo bleef ik gefocust op het grotere geheel en gemotiveerd om door te gaan. Laat ons dat ‘lessen voor de toekomst’ noemen.”

“Van de toekomst gesproken: wat zijn je toekomstplannen precies? Welke nieuwe projecten wil je aanpakken?”

Edward: “Na mijn doctoraat heb ik een postdoc van een jaar gedaan om methoden te ontwikkelen voor het modelleren van het gedrag van cellen, in plaats van patiënten. Dat extra abstractieniveau kan me de noodzakelijke toolbox geven om holistische technieken te ontwikkelen die de komst van precisiegeneeskunde kunnen versnellen. Die ambitie neem ik nu mee de industrie in, als onderzoeker bij Genentech in San Francisco.”

“En hoe ziet jouw toekomst eruit?”

Marijne: “Sinds 2 jaar ben ik postdoctoraal onderzoeker aan het VIB-UAntwerpen Centrum voor Moleculaire Neurologie. Ik zet er mijn werk op het gebied van neurowetenschappen en genetica voort, maar met een nieuwe focus op frontotemporale lobaire degeneratie (FTLD). In mijn huidige postdoctorale project zoek ik genetische factoren die ons meer inzicht geven in de klinische heterogeniteit, zoals in aanvangsleeftijd en klinische presentatie.”