Precieze kwantificering van ziekteheterogeniteit en progressie bij MSA en de ziekte van Parkinson met machine learning

Waarom dit belangrijk is voor mensen met bewegingsstoornissen

Mensen met de ziekte van Parkinson of multiple systematrofie (MSA) leven vaak jaren in onzekerheid, omdat beide aandoeningen klinisch sterk op elkaar kunnen lijken maar een heel verschillend beloop kunnen hebben. Deze studie onderzoekt hoe geavanceerde computertechnieken toegepast op hersenscans artsen mogelijk eerder kunnen helpen deze ziekten uit elkaar te houden, beter te begrijpen hoe ze tussen personen variëren, en te volgen hoe ze in de loop van de tijd veranderen.

In de hersenen zoeken naar duidelijkere aanwijzingen

Zowel de ziekte van Parkinson als MSA gaan gepaard met abnormale ophoping van een eiwit genaamd alfa‑synucleïne, maar ze beschadigen verschillende hersendelen. Parkinson treft vooral een diepe regio die dopamine produceert, terwijl MSA bredere netwerken aantast, waaronder het cerebellum, de hersenstam en bewegingscircuits. Op gewone MRI‑scans kunnen deze verschillen subtiel zijn, zeker in een vroeg stadium, en veel mensen met MSA krijgen aanvankelijk de diagnose Parkinson. De onderzoekers gebruikten twee soorten MRI—structurele scans die vorm en grootte van de hersenen tonen, en diffusiescans die de gezondheid van witte stofverbindingen onthullen—om meer precieze, patiëntspecifieke patronen te zoeken.

Computers leren verborgen patronen te herkennen

Het team bestudeerde 17 gezonde vrijwilligers, 27 mensen met MSA (verdeeld in cerebellaire en parkinsonistische subtypen) en 15 met de ziekte van Parkinson, ieder gevolgd tot vier jaarlijkse bezoeken. Ze verdeelden de hersenen in tientallen regio’s en maten lokale volumes en twee diffusie‑eigenschappen die weerspiegelen hoe water langs zenuwvezels beweegt. Deze metingen werden ingevoerd in verschillende machine‑learningmodellen, die werden getraind voor een eenvoudige taak: bepalen of een scan afkomstig was van iemand met MSA of met Parkinson. Om overfitten aan zo’n zeldzame ziekte te vermijden, gebruikten de auteurs zorgvuldige cross‑validatie, herhaalden de training vele keren en vergeleken vijf verschillende algoritmefamilies voordat ze de beste presteerders kozen.

Van complexe scans naar één persoonlijke score

In plaats van te stoppen bij een ja/nee‑computervariant, wilden de auteurs een getal dat aangeeft hoe sterk het brein van een persoon het handtekeningpatroon van MSA versus Parkinson vertoont. Ze gebruikten een verklaarbare AI‑methode genaamd SHAP, die elke modelbeslissing uitsplitst in bijdragen van individuele hersenregio’s. Deze bijdragen dienden als gewichten en benadrukten welke gebieden het model het meest informatief vond. Door de gewichten te combineren met de daadwerkelijke MRI‑metingen over alle regio’s maakten ze drie “heterogeniteits” (HET) scores—één voor hersenvolume en één voor elk van de twee diffusiematen. Iedere HET‑score reduceert een complex patroon van veranderingen door de hersenen tot één samenvattende waarde per persoon en bezoek.

Zien van ziektetype en verandering in de tijd

De nieuwe HET‑scores deden meer dan bestaande MRI‑markers simpelweg nabootsen. Ze classificeerden MSA versus Parkinson minstens even goed en vaak beter dan een veelgebruikte atrofie‑index die zich op een paar sleutelregio’s richt. Belangrijk is dat HET bijzonder goed werkte bij het onderscheiden van de parkinsonistische vorm van MSA van de ziekte van Parkinson, een onderscheid dat op standaardscans berucht moeilijk is. Wanneer de onderzoekers naar de tijdreeksen keken, volgden veranderingen in de HET‑scores over één jaar de klinische achteruitgang gemeten met een standaard MSA‑scoreschaal beter dan eenvoudige maten van cerebellaire krimp. Regio‑voor‑regio‑kaarten van HET herkenden ook bekende schadepatronen bij MSA, zoals degeneratie van cerebellaire en hersenstam‑circuits, en toonden bovendien bredere betrokkenheid van frontale en limbische witte‑stofbanen en de verbindingen tussen de twee hersenhelften.

Wat dit kan betekenen voor patiënten en zorg

Voor niet‑specialisten is de kernboodschap dat slimere analyse van routinematige MRI‑gegevens verspreide aanwijzingen van schade in de hersenen kan omzetten in één begrijpelijke score die weerspiegelt hoe “MSA‑achtig” iemands patroon is en hoe snel het verandert. Deze benadering geneest de ziekte niet en moet nog worden bevestigd in grotere groepen, maar biedt een veelbelovend instrument voor eerdere en nauwkeurigere diagnose, betere bewaking van progressie en gevoeliger testen van nieuwe behandelingen in klinische onderzoeken. Door rekening te houden met het feit dat geen twee patiënten precies hetzelfde veranderen, brengt het HET‑kader de zorg een stap dichter bij echt gepersonaliseerde behandeling bij bewegingsstoornissen.

Bronvermelding: Gebre, R.K., Raghavan, S., De Tora, M.E.J. et al. Precise disease heterogeneity and progression quantification in MSA and Parkinson’s disease using machine learning. Sci Rep 16, 10579 (2026). https://doi.org/10.1038/s41598-026-45949-5

Trefwoorden: multiple system atrofie, ziekte van Parkinson, hersenen MRI, machine learning, biomarkers