Klinisch-gestuurde modellen of foundation-modellen? voorspellen van cervicale spondylotische myelopathie met elektronische patiëntendossiers

Waarom het belangrijk is deze wervelkolom­aandoening eerder te signaleren

Cervicale spondylotische myelopathie (CSM) is een mondvol, maar vormt voor veel ouderen stilletjes een bedreiging voor het ruggenmerg. Het kan beginnen met onhandigheid, een schuifelende gang of problemen op het toilet en geleidelijk verergeren naar ernstige beperkingen of zelfs verlamming. Huisartsen en specialisten missen het vaak jaren omdat de symptomen subtiel zijn en lijken op meer gangbare aandoeningen zoals artrose of carpaal tunnelsyndroom. Deze studie stelt een actuele vraag: kunnen patronen die verstopt liggen in elektronische patiëntendossiers mensen met een verhoogd risico op CSM jaren vóór de formele diagnose signaleren, en welk type kunstmatige intelligentie (AI) is daar het best voor geschikt?

Een verborgen aandoening in een vergrijzende bevolking

CSM ontstaat wanneer leeftijdsgebonden slijtage het wervelkanaal in de nek vernauwt en het ruggenmerg samendrukt. De aandoening komt vaak voor bij ouderen; beeldvorming van de nek toont compressie van het ruggenmerg bij ongeveer een derde van de mensen ouder dan 60, en een aanzienlijk deel daarvan ontwikkelt uiteindelijk klachten. Toch tonen studies aan dat patiënten vaak twee tot zes jaar wachten tussen de eerste tekenen en een correcte diagnose, waardoor kostbare tijd verloren gaat waarin operatie of andere interventies blijvende schade hadden kunnen voorkomen. Naarmate bevolkingen vergrijzen en huisartsen te maken hebben met overvolle spreekuren en beperkte ervaring met wervelkolomaandoeningen, groeit de behoefte aan schaalbare manieren om CSM vroegtijdig te detecteren.

Het omzetten van medische dossiers naar een waarschuwingssysteem

Moderne elektronische patiëntendossiers (EPD) leggen een gedetailleerd spoor vast van diagnoses, laboratoriumtests, ingrepen en poliklinische bezoeken. De onderzoekers redeneerden dat dit spoor waarschijnlijk aanwijzingen bevat voor vroege CSM—zoals herhaalde vallen, zenuwonderzoeken of fysiotherapie—lang voordat iemand gespecialiseerde wervelkolombeeldvorming aanvraagt. Zij verzamelden gegevens van ongeveer 2 miljoen patiënten uit twee grote Amerikaanse datasets: een nationale verzekeringsclaims-database en de dossiers van een regionaal zorgsysteem. Hiervan identificeerden ze tienduizenden mensen die uiteindelijk een CSM-diagnose kregen en matchten die met vergelijkbare patiënten die dat niet kregen, waardoor een grootschalige testomgeving ontstond om te beoordelen of AI kon voorspellen wie later gediagnosticeerd zou worden met CSM op tijdstippen variërend van 6 tot 30 maanden van tevoren.

Grote algemene AI versus slanke, klinisch geleide modellen

Het team vergeleek verschillende typen machine-learningmodellen die EPD-gegevens verwerken. Aan de ene kant stonden grote "foundation-modellen"—krachtige, transformer-gebaseerde systemen die oorspronkelijk getraind zijn op miljoenen patiëntgegevens om algemene patronen in zorgdata te leren. Aan de andere kant stonden kleinere modellen die waren gebouwd op een beknopte lijst van 497 diagnose-, procedure- en medicatiecodes, handmatig geselecteerd door wervelkolomspecialisten als sterk relevant voor CSM. De onderzoekers maten prestaties met statistieken geschikt voor zeldzame ziekten en stelden de vraag hoeveel beter elk model was dan willekeurig raden bij het identificeren van patiënten die later CSM zouden ontwikkelen over verschillende predictievensters.

Nauwkeurigheid lokaal, betrouwbaarheid onderweg

Wanneer modellen werden getraind en getest binnen dezelfde grote, diverse verzekeringsdataset, presteerde het grootste foundation-model meestal het beste en bereikte het tot ongeveer zes- tot zevenmaal de nauwkeurigheid van een niet-informatieve classifier. Het beeld veranderde echter toen de modellen werden geëvalueerd in het onafhankelijke zorgsysteem. Daar presteerden de eenvoudigere, klinisch geleide modellen over het algemeen beter dan de complexe transformers en behaalden zij in sommige gevallen tot dertienmaal betere prestaties dan toeval bij het voorspellen welke patiënten binnenkort een CSM-diagnose zouden krijgen. Een omgekeerde proef—trainen op het enkele zorgsysteem en testen op de nationale dataset—leverde een vergelijkbaar verhaal op: kleinere, klinisch gefocuste modellen bleken beter overdraagbaar tussen instellingen. Subgroepanalyses lieten ook zien dat alle modellen het beste werkten voor patiënten met frequente zorgbezoeken, wat vragen oproept over rechtvaardigheid voor mensen die minder vaak medische zorg zoeken.

Wat dit betekent voor patiënten en artsen

De resultaten suggereren dat AI mensen met een hoog risico op CSM tot wel tweeënhalf jaar vóór de diagnose zou kunnen signaleren, wat clinici mogelijk richting eerdere neurologische onderzoeken en wervelkolombeeldvorming kan sturen. Tegelijk benadrukt de studie een afweging: terwijl grote, geavanceerde AI-modellen kunnen uitblinken op de data waarop ze getraind zijn, kunnen kleinere, zorgvuldig ontworpen modellen die geworteld zijn in klinische expertise betrouwbaarder blijken wanneer ze worden ingezet in nieuwe ziekenhuizen en patiëntpopulaties. Voor patiënten is de conclusie hoopvol maar genuanceerd: intelligent gebruik van routinematige zorgdata kan de lange diagnostische odyssee die veel mensen met CSM doormaken verkorten, maar succes hangt niet alleen af van krachtige algoritmen, maar ook van doordacht modelontwerp, zorgvuldige testen in diverse omgevingen en aandacht voor gelijkheid zodat de voordelen van vroege detectie breed gedeeld worden.

Bronvermelding: Yakdan, S., Warner, B., Ghogawala, Z. et al. Clinically-guided models or foundation models? predicting cervical spondylotic myelopathy from electronic health records. npj Digit. Med. 9, 153 (2026). https://doi.org/10.1038/s41746-026-02337-7

Trefwoorden: cervicale spondylotische myelopathie, elektronische patiëntendossiers, machine learning, foundation-modellen, vroegdiagnose