APOLLO11: een bio-data-gestuurd model voor klinisch en translationeel onderzoek bij longkanker

Waarom dit belangrijk is voor mensen met longkanker

De behandeling van longkanker is het afgelopen decennium drastisch veranderd dankzij immunotherapie en gerichte geneesmiddelen, maar veel patiënten profiteren nog steeds niet van deze vooruitgang. Dit artikel beschrijft APOLLO11, een landelijke Italiaanse inspanning om systematisch real-world data en biologische monsters van longkankerpatiënten te verzamelen en kunstmatige intelligentie te gebruiken om te begrijpen wie op welke behandeling zal reageren. Voor patiënten en families wijst het op een toekomst waarin therapiekeuzes worden gestuurd door een diepgaande analyse van iemands tumor en immuunsysteem, in plaats van door trial-and-error.

Van one-size-fits-all naar datagestuurde zorg

De auteurs leggen uit dat ondanks krachtige nieuwe geneesmiddelen ongeveer de helft van de patiënten met gevorderde longkanker ofwel nooit reageert of snel resistent wordt. De huidige belangrijkste bloed- en weefseltests zijn te grof om betrouwbaar te voorspellen wie baat heeft bij immunotherapie of gerichte behandelingen. Traditionele klinische studies, die één hypothese tegelijk testen in sterk geselecteerde patiënten, kunnen het tempo van de snelle komst van nieuwe geneesmiddelen en combinaties niet bijbenen. APOLLO11 is opgezet om deze kloof te dichten door een langdurige, continu geüpdatete bron op te bouwen die routinematige klinische informatie, scans, laboratoriumtesten en geavanceerde biologische metingen samenbrengt van duizenden patiënten die in de dagelijkse praktijk in heel Italië worden behandeld.

Een landelijk lerend netwerk opbouwen

Het project verbindt tientallen ziekenhuizen die georganiseerd zijn in een ‘hub-and-spoke’-systeem: grote kankercentra en universitaire ziekenhuizen werken samen met kleinere regionale ziekenhuizen. Elke locatie registreert gestandaardiseerde informatie met een beveiligd elektronisch platform en, waar mogelijk, bewaart biologische monsters zoals tumorweefsel, bloed en ontlasting in lokale vriezers. In plaats van alles naar één magazijn te verzenden, houden centra het materiaal ter plaatse terwijl een centraal team bijhoudt wat er bestaat en waar het zich bevindt. Deze structuur maakt het mogelijk dat kleinere ziekenhuizen die veel patiënten behandelen maar mogelijk gebrek hebben aan onderzoeksinfrastructuur toch zinvol bijdragen, en helpt ervoor te zorgen dat de data de werkelijke diversiteit van mensen met longkanker in het hele land weerspiegelen.

De ziekte volgen van scans tot cellen

APOLLO11 verzamelt meerdere lagen informatie over elke deelnemende patiënt die een ‘innovatieve’ behandeling ontvangt (in wezen elke moderne therapie anders dan oudere chemotherapie). Klinische gegevens omvatten leeftijd, ziektestadium, ontvangen behandelingen, bijwerkingen en overleving. Beeldvormingsgegevens omvatten CT-, MRI- en PET-scans op belangrijke tijdstippen, die worden geanalyseerd met ‘radiomics’-methoden die subtiele patronen in beelden omzetten in duizenden kwantitatieve kenmerken. Biologische monsters worden gebruikt om tumor-DNA, genactiviteit, eiwitten, metabolieten, de immuuncellen van het lichaam en zelfs de microben in darm en mond te bestuderen. Bij sommige patiënten worden immuuncellen één voor één onderzocht met single-cell sequencing om het fijnmazige gedrag van T-cellen, neutrofielen en andere actoren te onthullen die de respons op immunotherapie kunnen beïnvloeden.

Computers leren behandelpatronen te herkennen

Omdat geen enkele test de volledige complexiteit van kanker kan vastleggen, is het de bedoeling van APOLLO11 om al deze datatypen te combineren met machine learning. In plaats van gevoelige ruwe data naar één centrale server te sturen, zullen veel analyses gebruikmaken van ‘federated learning’, waarbij elk ziekenhuis een lokaal model traint en alleen modelupdates deelt, niet de patiëntgegevens op persoonsniveau. De uiteindelijke algoritmen worden ontworpen om uitlegbaar te zijn: hulpmiddelen laten zien welke kenmerken — zoals specifieke immuuncelpatronen, scangegevens of genetische veranderingen — een voorspelling voor een individuele patiënt sturen. Vroeg werk binnen het consortium onderzoekt al hoe immuuncelprofielen in bloed samenhangen met uitkomsten bij immunotherapie voor gevorderde niet-kleincellige longkanker.

Kennis delen terwijl privacy wordt beschermd

Het netwerk is ook een platform voor toekomstige wetenschappelijke vragen. Onderzoekers van deelnemende centra, en zelfs van buiten het consortium, kunnen studies voorstellen. Een stuurgroep evalueert elk voorstel op klinisch belang, nieuwheid, urgentie en haalbaarheid. Wanneer externe groepen betrokken zijn, kan het project synthetische datasets genereren die de echte data nabootsen zonder individuele patiënten bloot te stellen, wat helpt om openheid te combineren met strikte privacyregels zoals de GDPR in Europa. Dit governancemodel heeft tot doel toegang eerlijk, transparant en gericht op werk te maken dat daadwerkelijk de zorg kan verbeteren.

Wat dit voor patiënten zou kunnen betekenen

Simpel gezegd verandert APOLLO11 de dagelijkse zorg voor longkankerpatiënten in een groot, levend laboratorium. Door systematisch te leren van echte ervaringen in veel ziekenhuizen — en door scans, bloedtesten, tumoranalyse en geavanceerde rekenmethoden te combineren — streeft het project ernaar tools te bouwen die artsen, vóór aanvang van de behandeling, kunnen vertellen welke patiënten waarschijnlijk baat hebben bij immunotherapie of gerichte geneesmiddelen, wie mogelijk ernstige bijwerkingen krijgt en wie andere strategieën nodig heeft. Hoewel uitdagingen blijven, zoals het waarborgen van consistente datakwaliteit en langdurige financiering, betogen de auteurs dat dit soort datagestuurde, uitlegbare en privacybewuste netwerk een blauwdruk is om precisiegeneeskunde voor mensen met longkanker realiteit te maken in plaats van slechts een belofte.

Bronvermelding: Prelaj, A., Provenzano, L., Miskovic, V. et al. APOLLO11: a bio-data-driven model for clinical and translational research in lung cancer. npj Precis. Onc. 10, 96 (2026). https://doi.org/10.1038/s41698-026-01295-3

Trefwoorden: longkanker, immunotherapie, kunstmatige intelligentie, real-world data, biobank