Een internationaal multicentrisch onderzoek om federated learning-gebaseerde prognostische modellen voor dikkedarmkanker te ontwikkelen en valideren

Waarom dit belangrijk is voor mensen met zeldzame kankers

Naarmate de kankerzorg steeds meer op het individu wordt afgestemd, staan artsen voor een groeiend probleem: veel kankers zijn nu zo fijnmazig onderverdeeld in subtypen dat elke groep klein is en verspreid over de wereld voorkomt. Daardoor is het moeilijk om te weten welke behandelingen het beste werken, vooral bij zeldzame vormen zoals anuskanker. Deze studie laat zien hoe ziekenhuizen in verschillende landen veilig kunnen samenwerken — zonder ruwe patiëntgegevens te delen — om beter te voorspellen hoe patiënten het zullen doen en om meer gepersonaliseerde behandelingen te ondersteunen.

Veel ziekenhuizen samenbrengen zonder data te delen

De onderzoekers vormden het internationale atomCAT-consortium, met 16 kankercentra in Europa en Australië. In plaats van patiëntendossiers naar één centraal bestand te sturen, hield elk ziekenhuis zijn gegevens lokaal. Een speciale methode genaamd "federated learning" maakte het mogelijk om modellen over alle locaties tegelijk te trainen: alleen geanonimiseerde wiskundige samenvattingen van de data werden uitgewisseld, nooit individuele dossiers. Dit beschermde de privacy van patiënten, terwijl toch geprofiteerd werd van de kracht van een grote samengestelde groep mensen die voor anuskanker waren behandeld.

Wie werd bestudeerd en welke uitkomsten werden gevolgd

Het team analyseerde gegevens van 1.428 mensen met anuskanker die werden behandeld met moderne bestraling en doorgaans ook chemotherapie bij 14 centra, en testte de bevindingen vervolgens bij 277 extra patiënten van twee andere centra. De meeste patiënten waren begin zestig en ongeveer zeven op de tien waren vrouwen. Vrijwel allen kregen geavanceerde vormen van radiotherapie, en de overgrote meerderheid kreeg ook chemotherapie met middelen zoals mitomycine of cisplatine. De studie richtte zich op drie belangrijke uitkomsten die van belang zijn voor patiënten en clinici: totale overleving (hoeveel mensen nog leven na behandeling), controle van de tumor in en rond het bekken, en bescherming tegen uitzaaiingen naar verre organen.

Welke factoren de kans van patiënten bepaalden

Met behulp van de federated modellen identificeerden de onderzoekers een reeks kenmerken die consequent invloed hadden op de uitkomsten. Mensen met kleinere, minder uitgezaaide tumoren zonder betrokkenheid van nabijgelegen lymfeklieren leefden gemiddeld langer en hadden betere ziektecontrole. Vrouwen hadden over het algemeen een betere overleving en bekkencontrole dan mannen, en jongere patiënten deden het beter dan oudere. Chemotherapie met een combinatie van twee middelen (mitomycine of cisplatine gecombineerd met fluorouracil of capecitabine) was gekoppeld aan een betere totale overleving vergeleken met alleen radiotherapie. De grootte van de primaire tumor bleek een bijzonder belangrijke voorspeller voor alle drie de uitkomsten, wat het belang onderstreept van goede beeldvorming en gedetailleerde tumormetingen in de dagelijkse zorg.

Hoe goed werkten de privacybeschermende modellen?

De prognostische modellen toonden een matige maar klinisch bruikbare capaciteit om hogere- en lagere-risicopatiënten te onderscheiden. Wanneer patiënten op basis van het voorspelde risico werden gegroepeerd, waren de verschillen in reële uitkomsten opvallend: bijvoorbeeld, drie jaar na behandeling lag de totale overleving gemiddeld rond 90% in de lager-risicogroep versus ongeveer 73% in de hoger-risicogroep. De modellen presteerden vergelijkbaar wanneer ieder centrum om de beurt werd weggelaten en bij tests in de twee externe ziekenhuizen, wat suggereert dat de methode niet overfitted was aan één enkele locatie. Toen het team modellen bouwde met gegevens van slechts één centrum, daalde de voorspellende nauwkeurigheid, wat het belang benadrukt van het benutten van de ervaring van veel ziekenhuizen — zelfs wanneer hun data niet kunnen worden samengevoegd.

Wat dit betekent voor toekomstige kankerzorg

Voor mensen met anuskanker en andere zeldzame of sterk gesubdivideerde kankers laat dit werk zien dat het mogelijk is om te leren van grote, internationale patiëntengroepen zonder de privacy te schenden. De studie toont aan dat federated learning betrouwbaar bekende risicofactoren kan reproduceren en bevestigen, kan verduidelijken welke patiënten waarschijnlijker zullen terugvallen of uitzaaiingen krijgen, en dit kan doen met data die tijdens de dagelijkse zorg zijn verzameld. Op de lange termijn zouden dergelijke modellen artsen kunnen helpen om prognoses nauwkeuriger met individuele patiënten te bespreken, de behandelingsintensiteit naar boven of beneden bij te stellen en slimmere klinische onderzoeken te ontwerpen die zich richten op degenen met de grootste behoefte — terwijl gevoelige gezondheidsgegevens veilig binnen de muren van elk ziekenhuis blijven.

Bronvermelding: Theophanous, S., Lønne, PI., Choudhury, A. et al. An international multi-centre study to develop and validate federated learning-based prognostic models for anal cancer. Nat Commun 17, 3956 (2026). https://doi.org/10.1038/s41467-026-70297-3

Trefwoorden: anuskanker, federated learning, prognostische modellen, real-world data, precisie-oncologie