Internationale toetsing en verfijning van AI-algoritmen die acute leukemiesubtypen voorspellen op basis van routine laboratoriumgegevens

Waarom dit overal voor patiënten van belang is

Bij veel mensen met acute leukemie begint de klok te tikken lang voordat ze een specialist zien. In delen van de wereld waar geavanceerde testen schaars of traag zijn, kan het dagen duren om vast te stellen welk type leukemie een patiënt heeft — tijd die ze mogelijk niet hebben. Deze studie onderzoekt of een kunstmatig-intelligentiesysteem (AI), dat alleen gebruikmaakt van routinematige bloedtesten die bijna elk ziekenhuis al uitvoert, snel het waarschijnlijke leukemiesubtype kan suggereren en artsen kan helpen sneller te handelen, vooral in instellingen met beperkte middelen.

Alledaagse bloedtesten als vroegwaarschuwing

De onderzoekers verzamelden dossiers van 6206 patiënten met acute leukemie die werden behandeld in 20 centra in 16 landen, verspreid over alle bewoonde continenten en met uiteenlopende inkomensniveaus. In plaats van te vertrouwen op gespecialiseerde scans of genetische testen, voedden ze een bestaand AI-model met standaard laboratoriummetingen die bij diagnose worden genomen, zoals bloedbeeld, stollingsmaten en basale chemie. Het doel was te onderzoeken of een hulpmiddel dat oorspronkelijk op Franse gegevens was gebouwd, nog steeds drie belangrijke leukemietypen kon herkennen — acute myeloïde leukemie (AML), acute promyelocytaire leukemie (APL) en acute lymfatische leukemie (ALL) — in zeer verschillende ziekenhuizen, populaties en leeftijdsgroepen.

Sterke signalen, maar ongelijkheden in wie profiteert

Toegepast op volwassenen presteerde het AI-model over het algemeen goed: het was bijzonder nauwkeurig voor AML en APL, twee vormen waarbij vroege herkenning sterk van invloed kan zijn op de overleving. De oorspronkelijke versie werkte echter met een strikte interne "vertrouwens"-regel die alleen een resultaat rapporteerde wanneer het zeer zeker was. Dat liet de cijfers op papier uitstekend lijken, maar betekende in de praktijk ook dat tot meer dan 90% van de patiënten geen AI-voorstel zou ontvangen. Zelfs zonder die regel varieerde de prestatie sterk tussen centra en leukemietypen, wat verschillen weerspiegelde in leeftijden van patiënten, lokale ziektepatronen en zelfs welke laboratoriumapparatuur werd gebruikt.

Het systeem leren omgaan met rommelige gegevens uit de praktijk

Om het hulpmiddel nuttiger te maken in de dagelijkse praktijk, concentreerde het team zich op waarom het in sommige gevallen faalde. Ze vergeleken de onderliggende bloedtestpatronen van juist en onjuist geclassificeerde patiënten en gebruikten statistische verklaringsmethoden om te zien welke metingen het meest wezen. Bepaalde stollingsmarkers en eigenschappen van rode bloedcellen bleken vooral belangrijk om APL van andere typen te onderscheiden, terwijl wittebloedcelpatronen hielpen AML van ALL te scheiden. De onderzoekers voegden vervolgens een nieuwe voorverwerkingsstap toe die 'uitbijter'-patiënten screent wiens labresultaten sterk afwijken van wat de AI eerder heeft gezien. Door twee zulke filters te combineren en slechts een bescheiden fractie van de gevallen te verwijderen, verhoogden ze de nauwkeurigheid voor moeilijke groepen — met name voor patiënten die eerder onder de vertrouwensdrempel van het model vielen — terwijl voorspellingen voor de meeste mensen beschikbaar bleven.

AI aanpassen aan kinderen, niet alleen aan volwassenen

Kinderen met leukemie vertonen vaak andere laboratoriumpatronen dan volwassenen, en dat bleek van groot belang. Toen de op volwassenen getrainde AI werd toegepast op 1746 pediatrische patiënten, nam de prestatie af, vooral voor AML. Het team toonde aan dat belangrijke bloedwaarden, zoals stollingsfactoren en celcounts, bij jongere patiënten andere bereiken volgden. In plaats van slechtere prestaties te accepteren, trainden ze de AI specifiek opnieuw met pediatrische gegevens, wat het vermogen om kinderlijke ALL en AML te herkennen sterk verbeterde, terwijl ook goede resultaten behouden bleven voor de zeldzamere pediatrische gevallen van APL. Dit benadrukt een belangrijke les: AI-systemen die bedoeld zijn om diagnostische ondersteuning te bieden, moeten worden afgestemd op de populaties die ze moeten bedienen.

Op weg naar snellere en rechtvaardigere leukemiezorg

De auteurs benadrukken dat dit AI-hulpmiddel de gouden standaardprocedures — microscopisch onderzoek, flowcytometrie en genetische testen — die artsen gebruiken om het leukemietype te bevestigen en gerichte therapieën te kiezen, niet vervangt. In plaats daarvan biedt het een manier om snel waarschijnlijke leukemiesubtypen te signaleren met laboratoriumtesten die al op grote schaal beschikbaar zijn, zelfs in veel landen met lage en middeninkomens. Door het model te verfijnen zodat het diverse ziekenhuizen aankan, onbetrouwbare voorspellingen uit te filteren en een pediatrische versie te maken, laat de studie zien hoe AI kan helpen de tijd tot specialistische zorg en levensreddende behandeling te verkorten. Het werk legt de basis voor toekomstige proeven om te testen of dergelijke beslissingsondersteuning daadwerkelijk het aantal vroege sterfgevallen kan verlagen, en zo de voordelen van moderne leukemiezorg dichter bij patiënten te brengen, ongeacht waar ze wonen.

Bronvermelding: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Trefwoorden: acute leukemie, kunstmatige intelligentie, diagnostische ondersteuning, gezondheidsrechtvaardigheid, laboratoriumtesten