Linda Douw

Amsterdam UMC

Het onderzoek van Linda Douw houdt in het kort het volgende in:

Predicting functional and cognitive decline after glioma surgery (PREDICT)

Het PREDICT-project heeft als doel postoperatieve achteruitgang bij glioompatiënten te voorspellen met behulp van klinische en geavanceerde connectome of hersennetwerkgebaseerde voorspellers.

We zullen eerst een classifier voor achteruitgang trainen met alleen demografische en generieke computationele modellering, en vervolgens dit model personaliseren met geavanceerde connectome-gegevens. Ten slotte zullen we het model valideren in een nieuw patiëntcohort. Dit project maakt cruciaal gebruik van concepten uit nieuwe neuro-oncologische literatuur, waarbij de interactie tussen tumoren en de hersenen wordt onderzocht om relevante klinische resultaten te voorspellen. Het combineert uniek generatieve computationele modellering met machine learning voor het kunnen verbeteren van oncologische zorg in de toekomst. Uiteindelijk streeft het project ernaar onzekerheid te verminderen voor patiënten die een operatie ondergaan alsmede hun zorgprofessionals, en mogelijk gepersonaliseerde revalidatiestrategieën mogelijk te maken om de veerkracht van de hersenen te verbeteren bij degenen die risico lopen op achteruitgang.

Het PREDICT-team bestaat uit een neurochirurg met grote interesse in geavanceerde analyses die patientuitkomsten kunnen verbeteren (prof. Philip De Witt Hamer), een natuurkundige/neuroloog met ruime expertise in computationele modellering (dr. Prejaas Tewarie), een technisch geneeskudinge met veel kennis van kunstmatige intelligentie (dr. Roelant Eijgelaar) en een neuropsycholoog/ netwerkneurowetenschapper met ervaring in het combineren van beeldvorming en cognitie bij deze patiënten (dr. Linda Douw).

Korte samenvatting van voortgang / resultaten april 2026

Het PREDICT-team heeft zijn eerste studie succesvol afgerond, met een manuscript dat momenteel online beschikbaar is en ingediend is voor publicatie. We includeerden 552 patiënten en ontwikkelden we een geavanceerd machine-learningmodel om de functionele status één jaar na de operatie te voorspellen bij patiënten met contrastopnemend glioom, en dit reeds in de preoperatieve fase. Dit is inherent uitdagend, aangezien het histopathologisch verslag en informatie over de postoperatieve behandeling op dat moment nog niet beschikbaar zijn. De resultaten toonden aan dat de meeste MRI-gebaseerde predictoren de voorspellingen niet verbeterden: het best presterende model bevatte slechts drie predictoren: leeftijd bij diagnose, volume van contrastopname en preoperatieve KPS. De gebootstrapte oppervlakten onder de curve bedroegen 0,77 (95%-betrouwbaarheidsinterval 0,70–0,84) voor  mortaliteit, 0,64 (0,52–0,77) voor functionele afhankelijkheid en 0,71 (0,63–0,79) voor functionele onafhankelijkheid. Mondriaaanse conforme predictie leverde betrouwbare voorspellingen op voor 18% van de patiënten, matige onzekerheid voor 57%, en identificeerde 25% met werkelijk onvoorspelbare uitkomsten.

In de volgende fase van het onderzoek richten we ons op het gebruik van computationele modellering om gepersonaliseerde preoperatieve hersennetswerksmodellen te simuleren van patiënten met glioom. Dit zal de weg vrijmaken voor een 'virtuele resectie': een proces waarbij neurale activiteit wordt gesimuleerd na het verwijderen van witte stofbanen die de daadwerkelijke chirurgische resectiemask doorkruisen. Uiteindelijk zal dit aanvullende predictoren opleveren die kunnen worden gebruikt in het preoperatieve voorspellingsmodel.

Korte samenvatting van voortgang / resultaten april 2025

In de eerste fase van dit project voerden we een voorbereidende studie uit met 153 glioompatiënten van graad 2 en hoger. Het doel was om voorspellende modellen te ontwikkelen voor overleving en functionele uitkomsten, gemeten aan de hand van de Karnofsky Performance Score, één jaar na resectie. Door een combinatie van klinische en demografische gegevens te gebruiken, trainden we verschillende machine learning-modellen. Deze modellen konden de uitkomsten voorspellen met een betrouwbaarheid van 69–74%. Deze eerste bevindingen werden gepresenteerd met een wetenschappelijke poster tijdens de Amsterdam Neuroscience Annual Meeting in december 2024.

In de volgende fase breiden we de studie uit naar 541 patiënten en voegen we gegevens gedestilleerd uit hersenscans toe. Dit stelt ons in staat om nauwkeurigere machine learning-modellen te ontwikkelen om een belangrijke uitkomst te voorspellen: of glioompatiënten hun functionele status behouden of achteruitgang ervaren één jaar na hun eerste resectie. Dit biedt cruciale inzichten in de vraag of deze patiënten na afloop van de volledige eerste behandelingscyclus een zelfstandig en vervullend leven kunnen leiden.