Liesbeth Hondelink

LUMC

Het fellowship van Liesbeth Hondelink houdt in het kort het volgende in: 

Multi-input prognostic models for time to resistance prediction

Niet-kleincellig long adenocarcinoom is een van de dodelijkste en vaakst voorkomende kankers ter wereld. In de afgelopen decennia heeft behandeling met de targeted tyrosine kinase inhibitor Osimertinib de ziektevrije overleving van patiënten wiens tumor een epithelial growth factor receptor mutatie bevat substantieel verbeterd. Echter, longtumoren worden uiteindelijk altijd resistent voor behandeling met Osimertinib, resulterend in ziekteprogressie. Tijdens de behandeling met Osimertinib is snelle opsporing van verworven resistentie belangrijk, zodat patiënten effectief behandeld blijven worden. Snelle opsporing is echter lastig, omdat de tijd tot resistentie sterk tussen patiënten varieert. Een accurate voorspelling van de tijd tot resistentie zou daarom een enorm voordeel vormen voor patiënten die behandeld worden met Osimertinib.

Tijdens het Hanarth Fellowship zal Liesbeth Hondelink een convolutional deep learning model ontwikkelen, waarin digitale microscopie, Radiologiedata, klinische gegevens en moleculaire data gecombineerd worden in één voorspeller, gebruik makend van de nieuwste data science technologie. Het uiteindelijke doel is om de tijd tot resistentie van met Osimertinib behandelde longkankerpatiënten betrouwbaar te kunnen voorspellen, zodat er hun ziektemanagement kan verbeteren.

Korte samenvatting van voortgang / resultaten

Longkanker is een van de gevaarlijkste en meest voorkomende soorten kanker ter wereld. Jaarlijks krijgen bijna 2 miljoen mensen longkanker. De behandeling van longkanker bestaat sinds de laatste 10 jaar steeds vaker uit nieuwe, doelgerichte medicijnen, die vooral gebruikt worden bij longkanker in patiënten die nooit gerookt hebben. Deze doelgerichte behandelingen zijn gericht tegen specifieke stofjes, die uitsluitend aanwezig zijn in de longkankercellen. Doelgerichte medicijnen hebben daarom vaak minder bijwerkingen dan de gebruikelijke behandelingen, zoals bijvoorbeeld chemotherapie. Helaas is het effect van doelgerichte medicijnen op longkanker erg verschillend per patiënt. Sommige patiënten hebben slechts 2 tot 3 maanden baat bij deze medicijnen, terwijl anderen jarenlang met goed resultaat behandeld kunnen worden. Deze grote variatie tussen patiënten maakt het kiezen voor de beste kankerbehandeling een moeilijke keuze.

Kunstmatige intelligentie kan helpen beter te voorspellen welke patiënten zullen reageren op doelgerichte therapie. Door vele verschillende soorten gegevens in een voorspellend model te combineren, beginnen we nu te ontdekken welke risicofactoren leiden tot een goede en een slechte reactie. Dit is een belangrijke stap om het effect en de beperkingen van doelgerichte behandeling beter te leren begrijpen, en het kan helpen om de beste behandeling voor elke longkankerpatiënt te kiezen.