Routine bloedtesten en machinaal leren identificeren complicaties bij hoge myopie

Waarom een eenvoudige bloedtest kan helpen het gezichtsvermogen te bewaren

Veel mensen weten dat sterk bijziend zijn vaak dikkere brilglazen betekent. Weinigen realiseren zich dat het ook het oog zelf stilletjes kan beschadigen, wat kan leiden tot staar, glaucoom, netvliesloslating en andere problemen die blijvend gezichtsverlies kunnen veroorzaken. De apparatuur die nodig is om deze complicaties op te sporen—gespecialiseerde oogcamera's en scanners—is duur en ongelijk beschikbaar, vooral buiten grotere ziekenhuizen. Deze studie onderzoekt een verrassend alternatief: het gebruik van routinematige bloedtestresultaten, gecombineerd met machinaal leren, om mensen met hoge myopie te signaleren die mogelijk ernstige oogcomplicaties ontwikkelen, lang voordat er symptomen optreden.

Van veelvoorkomend oogprobleem tot stille bedreiging

Hoge myopie, meestal gedefinieerd als zeer sterke bijziendheid, komt wereldwijd steeds vaker voor. Naast wazig zicht op afstand rekrekt en dunner het oog uit, waardoor het risico op staar, glaucoom, schade aan de lichtgevoelige macula en netvliesloslating toeneemt. Sommige van deze aandoeningen kunnen worden vertraagd of behandeld als ze vroeg worden ontdekt, maar veel mensen met hoge myopie krijgen geen regelmatige controle bij een specialist. Geavanceerde beeldvormingstechnieken zoals optische coherentietomografie leveren gedetailleerde afbeeldingen van het oog, maar ze zijn kostbaar, vergen getraind personeel en zijn in veel regio's schaars. Daardoor blijven veel gevaarlijke veranderingen aan het oog onopgemerkt totdat het zicht al sterk is aangetast.

Op zoek naar aanwijzingen in alledaagse bloedtests

De onderzoekers vroegen zich af of informatie die al tijdens standaard check-ups wordt verzameld, van nut kon zijn. Routinematige bloedtesten zijn goedkoop, breed beschikbaar en worden dagelijks miljoenen keren uitgevoerd om de algemene gezondheid te monitoren. Eerder werk suggereerde dat bepaalde bloedmarkers van ontsteking, stofwisseling en stolling verband houden met oogaandoeningen. In deze studie verzamelde het team gegevens van meer dan 10.000 mensen met hoge myopie die in vijf ziekenhuizen in China werden behandeld. Sommigen hadden geen verdere problemen; anderen hadden een van vijf belangrijke complicaties: staar, maculadegeneratie, abnormale nieuwe bloedvaten onder het netvlies, glaucoom of netvliesloslating. Voor iedere persoon werden 61 gebruikelijke laboratoriummetingen—waaronder typen witte bloedcellen, vetwaarden en stollingsmetingen—ingevoerd in verschillende algoritmen voor machinaal leren om te onderzoeken of patronen in het bloed mensen met complicaties konden onderscheiden van mensen zonder complicaties.

Een negen-cijferig vingerafdruk voor oogrisico

Onder de vele geteste algoritmen presteerde een modeltype dat "random forest" heet bijzonder goed. Opmerkelijk genoeg had het model niet alle 61 metingen nodig. Na zorgvuldige selectie van kenmerken bleek een set van slechts negen routinematig gemeten markers—voornamelijk bepaalde immuuncellen (eosinofielen en basofielen en hun percentages), bloedplaatjes, urinezuur en bloedvetten zoals triglyceriden en apolipoproteïne B—bijna de volledige voorspellende kracht te bevatten. Deze markers sluiten aan bij wat bekend is over hoe ontsteking, bloedlipiden en stolling bijdragen aan oogschade bij hoge myopie. Met alleen deze negen waarden kon het model ongecompliceerde onderscheiden van gecompliceerde hoge myopie met zeer hoge nauwkeurigheid in de oorspronkelijke ziekenhuiscohort, en de prestaties bleven sterk wanneer het in twee aanvullende ziekenhuisgroepen werd getest.

Van computermodel naar screening in de praktijk

Om te onderzoeken of deze benadering in de praktijk zou werken, bouwden de onderzoekers het negen-marker model in een eenvoudige webapp die clinici kunnen gebruiken op het moment van een bloedafname. In een prospectieve ziekenhuisstudie met meer dan 4.500 mensen met hoge myopie labelde het hulpmiddel sommige als hoog risico en andere als laag risico. Toen deze patiënten later uitgebreide oogonderzoeken ondergingen, bleken degenen die als hoog risico waren gemarkeerd veel vaker een werkelijke complicatie te hebben, en het model miste relatief weinig gevallen. Het team ging vervolgens naar de gemeenschap en paste het model toe op bijna 1.900 mensen met hoge myopie die werden geïdentificeerd onder meer dan 300.000 volwassenen die deelnamen aan routinematige gezondheidschecks. Van degenen die het model als hoog risico markeerde en die instemden met verder oogonderzoek, werd bij bijna drie van de vier een ernstige complicatie bevestigd—veel meer dan verwacht zou worden bij willekeurige verwijzing.

Wat dit kan betekenen voor patiënten en zorgsystemen

De studie suggereert dat iets eenvoudigs als een standaard bloedpanel, geïnterpreteerd door een zorgvuldig getraind algoritme, kan fungeren als een waarschuwingssysteem voor gevaarlijke oogaandoeningen bij mensen met hoge myopie. Dit vervangt geen specialistische beeldvorming of oogonderzoek; het helpt eerder bepalen wie het meest dringend die schaarse aandacht nodig heeft. In settings waar oogapparatuur en specialisten beperkt zijn, kan een op bloed gebaseerde triagetool bevolkingsscreening praktischer en betaalbaarder maken, veel gevallen eerder opsporen en onnodige verwijzingen vermijden. Als het in meer landen gevalideerd wordt en verfijnd om missers en valse alarmen te verminderen, zou deze benadering een schaalbare manier kunnen worden om het gezichtsvermogen te beschermen met testen die al deel uitmaken van de routinezorg.

Bronvermelding: Li, S., Ren, J., Wang, F. et al. Routine blood tests and machine learning identify complications in high myopia. Nat Commun 17, 3930 (2026). https://doi.org/10.1038/s41467-026-70891-5

Trefwoorden: hoge myopie, zichtscreening, machinaal leren, bloed biomarkers, oogcomplicaties