Een multimodale retina-verouderingsklok voor voorspelling van biologische leeftijd en beoordeling van systemische gezondheid via OCT- en fundusbeeldvorming

Waarom de ogen meer kunnen onthullen dan op het eerste gezicht lijkt

De kleine bloedvaatjes en zenuwvezels achter in het oog behoren tot de weinige plekken in het lichaam waar artsen levende weefsels direct kunnen bekijken. Deze studie stelt een prikkelende vraag: kunnen routinematige oogscans onthullen hoe “oud” het lichaam werkelijk is — de biologische leeftijd — en zelfs iets zeggen over iemands totale ziektebelast en sterfterisico, mogelijk nauwkeuriger dan het aantal kaarsjes op de laatste verjaardagstaart?

Kijken naar biologische leeftijd, niet alleen naar geboortedata

Chronologische leeftijd is eenvoudigweg hoe lang we hebben geleefd. Biologische leeftijd weerspiegelt hoeveel slijtage of behoud onze organen en weefsels vertonen. Twee mensen van 65 kunnen heel verschillende gezondheidsvooruitzichten hebben, afhankelijk van hoe snel hun lichaam is verouderd. Traditionele biologische klokken zijn gebaseerd op bloedtests die DNA of eiwitten meten, wat kostbaar en invasief kan zijn. De auteurs onderzochten een eenvoudiger alternatief: twee veelgebruikte oogbeeldtests — ultrabrede fundusfoto’s en optische coherentie­tomografie (OCT) — gecombineerd met kunstmatige intelligentie (AI) om biologische leeftijd af te leiden uit het netvlies, een venster op de vasculaire, zenuw- en metabole gezondheid van het lichaam.

Een AI trainen om leeftijd in het netvlies te lezen

Het team trainde een deep-learningmodel op meer dan 12.000 fundusbeelden en 7.700 OCT-scans van 2.467 patiënten. In het eerste experiment werd de AI-"leeftijdsklok" uitsluitend getraind op ogen zonder grote structurele aantasting en vervolgens getest op zowel gezonde als zieke ogen. In het tweede experiment werd het model opnieuw getraind op een bredere mix van ogen, inclusief vier veelvoorkomende aandoeningen die het netvlies vervormen: leeftijdsgebonden maculadegeneratie, diabetische retinopathie, epiretinaal membraan en pathologische of hoge myopie. In die tweede ronde kreeg de AI ook het ziektelabel van elk oog. In beide opzetten was het doel van het model om leeftijd uit beelden te voorspellen; de onderzoekers beschouwden die voorspelde leeftijd vervolgens als een biologische leeftijd en onderzochten hoe goed die het algemene ziektebeeld volgde.

Oogleeftijd versus de ziektebelast van het hele lichaam

Om retinale leeftijd aan algemene gezondheid te koppelen, gebruikten de auteurs de Charlson Comorbidity Index (CCI), een veelgebruikte score die iemands ernstige chronische ziekten optelt en het sterfterisico binnen een jaar voorspelt. Ze vergeleken hoe goed chronologische leeftijd versus AI-afgeleide biologische leeftijd correleerde met de CCI, en bouwden ook eenvoudige statistische modellen om te zien welke beter de CCI voorspelde. In beide experimenten bleek de uit retina afgeleide biologische leeftijd over het algemeen de comorbiditeitslast sterker vast te leggen dan de kalenderleeftijd, vooral bij ogen met structurele afwijkingen. Toen in het tweede onderzoek ziektelabels werden toegevoegd, verbeterde de nauwkeurigheid van het model aanzienlijk: de gemiddelde fout in de leeftijdsvoorspelling in de testset daalde tot ongeveer zes jaar, en de biologische leeftijd bleef vaak beter dan geboortedata in het weergeven van de algemene ziektebelasting, met name bij patiënten met duidelijk afwijkende retinas.

Wat de AI daadwerkelijk in het oog ziet

Om een kijkje te nemen in het "denkproces" van de AI genereerden de onderzoekers heatmaps die laten zien welke delen van elk beeld het meest bijdroegen aan de voorspellingen. In plaats van zich te fixeren op de centrale macula, concentreerde het model zich consequent op de papil (optic nerve head), de omringende zenuwvezellaag en diepere vasculaire lagen zoals de choroidea. Dit zijn structuren die bekend staan te dunner en stijver te worden met leeftijd en gevoelig te zijn voor veranderingen in druk en bloedstroom. De aandachtspatronen van de AI waren vergelijkbaar over zeer verschillende oogaandoeningen, wat suggereert dat het robuuste, anatomie-gebaseerde indicatoren van veroudering heeft geleerd in plaats van alleen ziektetypen te onthouden. Interessant genoeg begon het model, wanneer ziektelbeelden in de training waren opgenomen, iets meer aandacht te besteden aan maculaire gebieden bij aandoeningen zoals maculadegeneratie, wat erop wijst dat ziekte-specifieke training helpt die patronen beter te herkennen.

Beperkingen, kanttekeningen en toekomstige mogelijkheden

De studie kent beperkingen. Alle data kwamen uit één academisch medisch centrum en veel patiënten hadden lage CCI-scores, wat het vermogen vermindert om sterke statistische verbanden te detecteren. De CCI zelf is een ouder instrument dat mogelijk niet volledig moderne patronen van chronische ziekte vastlegt. Sommige correlaties, met name bij maculadegeneratie, waren zwak of inconsistent. Toch, ondanks een bescheiden steekproefgrootte vergeleken met enorme populatie-biobanken, behaalde het model concurrerende nauwkeurigheid in leeftijdsvoorspelling en koppelde het, cruciaal, retinale biologische leeftijd aan een gevalideerde maat voor ziektebelasting van het hele lichaam.

Wat dit betekent voor patiënten en clinici

Voor leken is de kernboodschap dat routinematige oogscans mogelijk in de toekomst veel meer kunnen doen dan alleen glazenvoorschriften of het opsporen van oogziekten. Door subtiele veranderingen in de zenuwen en bloedvaten van het netvlies te lezen, zou AI kunnen inschatten hoe "oud" het lichaam werkelijk is en mensen signaleren wiens weefsels sneller verouderen dan hun kalenderleeftijd aangeeft. Deze retinale verouderingsklok is nog geen direct klinisch hulpmiddel, maar wijst op een toekomst waarin een snelle, niet-invasieve oogonderzoek kan bijdragen aan vroege waarschuwing voor verborgen gezondheidsrisico’s, en zo preventieve zorg kan sturen lang voordat ernstige ziekte duidelijk wordt.

Bronvermelding: Ludwig, C.A., Salvi, A., Mesfin, Y. et al. A multimodal retinal aging clock for biological age prediction and systemic health assessment via OCT and fundus imaging. Sci Rep 16, 6465 (2026). https://doi.org/10.1038/s41598-026-36518-x

Trefwoorden: retinale beeldvorming, biologische leeftijd, kunstmatige intelligentie, systemische gezondheid, oogziekte