Marianne Jonker

Radboudumc

Het onderzoek van Marianne Jonker houdt in het kort het volgende in:

Improved Transparent AI methods for personalized prediction based on data from rare cancers

'De prognose van patiënten met zeldzame vormen van kanker is slechter dan die van patiënten met veel voorkomende vormen. Een belangrijke reden is dat voor zeldzame kankers het moeilijker is om mogelijke behandelingen te vinden, omdat doorgaans slechts kleine datasets beschikbaar zijn voor onderzoek. Bij het gebruik van dergelijke kleine datasets is het risico van overfitting in de gebruikte modellen groot. Dit maakt het moeilijk om statistisch significante patronen in de data te vinden, die mogelijk tot nieuwe behandelingen zouden kunnen leiden. Het samenvoegen van data van verschillende instellingen of ziekenhuizen zou een stap in de goede richting kunnen zijn, maar is in de praktijk lastig vanwege regelgeving en logistieke problemen.

In dit project worden twee complementaire routes voorgesteld. De eerste is om te focussen op statistische methoden die ook goed werken bij een kleine steekproefomvang, zonder overfitting. De tweede route is het ontwerpen en verbeteren van machine learning-algoritmen die de noodzaak van datapooling op één locatie omzeilen door rond medische instituten te ‘fietsen’ met kleine datasets (federatief leren). Gegevens over speekselklierkanker zullen worden geanalyseerd met de voorgestelde methoden.

Het project is een samenwerking tussen: dr. Marianne Jonker, prof. Ton Coolen, prof. Kit Roes en prof. Carla van Herpen, allen in het Radboudumc of Radboud universiteit.'

Publications

• Bayesian Federated Inference for regression models based on
  non-shared medical center data
  • Journal Research Synthesis Methods, Jan/Feb 2025
  • Download the article here

Korte samenvatting van eindresultaten 2025

Klinische datasets voor zeldzame vormen van kanker zijn doorgaans klein. Dit maakt het nauwkeurig identificeren van prognostische factoren voor het ziekteverloop van patiënten met zeldzame kankers lastig, en de voorspelling van klinische uitkomsten voor toekomstige patiënten onbetrouwbaar. Onderzoekers proberen daarom vaak hun datasets uit te breiden door meerdere datasets, verzameld in verschillende medische centra, te combineren. Het samenvoegen van datasets is echter vaak moeilijk of zelfs onmogelijk vanwege juridische, ethische of logistieke belemmeringen, zoals privacywetgeving.

In dit project hebben we de methodologie en de bijbehorende software voor de Bayesian Federated Inference (BFI)-methodologie ontwikkeld. Dit stelt onderzoekers in staat om op basis van lokale statistische analyses op afzonderlijke datasets (bijvoorbeeld uit verschillende medische centra) te reconstrueren wat er zou zijn gevonden als de datasets daadwerkelijk waren samengevoegd en geanalyseerd. Deze aanpak blijkt zeer nauwkeurig te zijn en breed toepasbaar. Uitgebreide data-analyses zijn uitgevoerd en hebben uitstekende resultaten opgeleverd. Momenteel breiden we de methodologie uit naar Bayesian Federated Causal Inference om causale vragen te kunnen beantwoorden op basis van observationele data. Dit is van groot belang voor onderzoek naar zeldzame kankers, aangezien het vaak moeilijk is om klinische trials uit te voeren vanwege het beperkte aantal patiënten. We verwachten dit binnen enkele maanden af te ronden.

Korte samenvatting van voortgang / resultaten 2024

Met de Bayesian Federated Inference methodologie kan men uit de analyse resultaten die gevonden zijn op basis van afzonderlijke datasets (centra) reconstrueren wat er gevonden zou zijn als de datasets waren samengevoegd. De ontwikkelde methodologie blijkt zeer nauwkeurig te zijn en is toepasbaar in veel situaties. We hebben de methodologie en software ontwikkeld voor veelgebruikte statistische modellen (gegeneraliseerde lineaire modellen en time-to-event modellen), homogene en heterogene populaties, en voor voorspellings- en associatiemodellen. Data is geanalyseerd en de resultaten zijn boven verwachting goed. De volgende stap is het integreren van overfitting-theorie om overfitting te verkleinen als de datasets klein zijn.

Korte samenvatting van voortgang / resultaten maart 2023

Het eerste doel in dit project is het ontwikkelen en toepassen van de theorie van Bayesian Federated Inference (BFI) voor parametrische modellen en voor modellen voor time-to-event uitkomsten. We hebben dit afgerond voor parametrische modellen en ons artikel is gesubmit: Bayesian Federated Inference for Statistical Models (M.A. Jonker, H. Pazira, A.C.C. Coolen). De volgende stap is om de theorie te generaliseren naar het semi-parametrische Cox PH-model. We streven ernaar dit voor de zomer van 2023 af te ronden.