Vroege diagnose van axiale spondyloartritis in de eerstelijnszorg met behulp van multi-agentensystemen

Waarom rugpijn slimmer geholpen moet worden

Chronische lage rugpijn komt zo vaak voor dat veel mensen — en zelfs drukbezette huisartsen — de kleine groep patiënten die een ernstige ontstekingsaandoening van de wervelkolom ontwikkelen, axiale spondyloartritis, kunnen overzien. Deze aandoening kan jarenlang onopgemerkt de gewrichten van de onderrug beschadigen, waardoor patiënten invalide raken juist in de actiefste decennia van hun leven. De studie achter dit artikel onderzoekt of een AI‑“team” van digitale assistenten huisartsen kan helpen deze hoogrisicopatiënten eerder te signaleren en tijdig naar specialisten te verwijzen om blijvende schade te voorkomen.

Een verborgen ziekte achter alledaagse rugpijn

Axiale spondyloartritis, of axSpA, begint vaak bij jongvolwassenen met rugpijn die maanden aanhoudt, verbetert bij beweging en ’s nachts verergert. Hoewel de wereldwijde prevalentie relatief laag is, ontwikkelt bijna de helft van onbehandelde patiënten binnen drie jaar beperkingen en ongeveer 70% binnen vijf jaar. Toch wordt de ziekte doorgaans bijna zeven jaar na het begin van de symptomen gediagnosticeerd. Een belangrijke reden is dat huisartsen, die de meeste rugpijnpatiënten als eerste zien, niet altijd vertrouwd zijn met de alarmtekens of met het interpreteren van gespecialiseerde MRI‑beelden van de sacro-iliacale gewrichten, de kleine gewrichten aan de basis van de wervelkolom waar de ziekte meestal begint. Daardoor schakelen veel mensen tussen klinieken en onderzoeken voordat iemand doorheeft wat er echt aan de hand is.

Een AI-zorgteam opgebouwd uit meerdere digitale “agenten”

Om dit probleem aan te pakken ontwikkelden de onderzoekers een systeem genaamd SpAgents — een gecoördineerde groep AI-componenten die samenwerken als leden van een klinisch team. Een PlannerAgent beheert het gesprek met de arts en bepaalt wat er vervolgens moet gebeuren. Een DataAgent doorzoekt elektronische patiëntendossiers om symptomen, labuitslagen en schriftelijke MRI‑rapporten te verzamelen. Een ToolAgent draait een gespecialiseerd beeldvormingsmodel dat MRI‑scans van de sacro‑iliacale gewrichten leest en een gestandaardiseerde score oplevert voor beenmergzwelling, een kenmerk van actieve ontsteking. Ten slotte weegt een DoctorAgent al deze informatie en geeft één van drie uitkomsten: axSpA, geen axSpA, of “onzeker”, vergezeld van een verklaring en suggesties voor aanvullende tests of verwijzingen.

Het systeem testen op echte patiënten en echte artsen

Het team evalueerde SpAgents met gegevens van 596 mensen met vermoeden van axSpA, afkomstig van één hoofdziekenhuis en vijf aanvullende centra. Ze verdeelden deze gevallen in een trainingsset, een validatieset en een onafhankelijke testset. In deze groepen identificeerde SpAgents axSpA met een hoge sensitiviteit (ongeveer 86–94% van de echte patiënten correct aangeduid) en degelijke specificiteit (ongeveer 74–87% van de niet‑patiënten correct gerustgesteld). In directe vergelijking met zeven artsen — drie huisartsen, drie reumatologen met verschillende ervaringsniveaus en één orthopedisch chirurg — kwam SpAgents overeen met de prestaties van senior specialisten en presteerde het duidelijk beter dan minder ervaren clinici wat betreft zowel sensitiviteit als algehele nauwkeurigheid.

Leren van ervaring en efficiënter gebruik van beelden

Behalve ruwe nauwkeurigheid is het systeem ontworpen om zich meer te gedragen als een voorzichtige clinicus dan als een starre calculator. Een langetermijngeheugenmodule slaat vroegere, bevestigde gevallen op zodat de AI vergelijkbare situaties kan “herinneren” wanneer het een nieuwe patiënt tegenkomt, waardoor zijn oordelen in de loop van de tijd geleidelijk verbeteren. Het toevoegen van dit geheugen verhoogde zowel sensitiviteit als nauwkeurigheid in de datasets. De beeldvormings‑ToolAgent speelde ook een belangrijke rol: door een speciaal MRI‑model toe te passen om sacro‑iliacale gewrichtsontsteking te kwantificeren, verbeterde het de mogelijkheid van het systeem om vals alarm te vermijden en toch echte ziekte te detecteren. De onderzoekers bootsten bovendien de praktijk na door SpAgents verschillende informatieniveaus te geven — van alleen het verhaal van de patiënt tot volledige laboratorium‑ en MRI‑gegevens. Naarmate meer data werden toegevoegd, daalde het aandeel “onzeker” antwoorden sterk en steeg de nauwkeurigheid, wat benadrukt hoe bloedmarkers, gentests en MRI elk bijdragen aan een helderder beeld.

Huisartsen helpen eerder en veiliger beslissen

Misschien het meest opvallend: toen huisartsen en beginnende reumatologen hun beoordelingen herhaalden met hulp van SpAgents, namen hun sensitiviteit en nauwkeurigheid aanzienlijk toe — en die verbeteringen bleven zelfs drie maanden later zichtbaar. Met andere woorden, het AI‑systeem fungeerde niet alleen als een second opinion; het diende ook als trainingspartner die goede diagnostische gewoonten versterkt. De auteurs merken op dat SpAgents nog beperkingen heeft — zoals moeite met het onderscheiden van alle soorten botveranderingen op MRI en de behoefte aan diepere integratie met ziekenhuis‑IT‑systemen — maar het levert al nauwkeurige, kosteneffectieve ondersteuning op echte klinische gegevens. Voor patiënten met hardnekkige rugpijn kan dit soort AI‑assistent het verschil betekenen tussen jaren van onzekerheid en een tijdige diagnose die hun wervelkolom, en hun leven, soepel doet blijven functioneren.

Bronvermelding: Ji, X., Li, Z., Zeng, L. et al. Early diagnosis of axial spondyloarthritis in primary care using multi-agent systems. npj Digit. Med. 9, 185 (2026). https://doi.org/10.1038/s41746-026-02372-4

Trefwoorden: axiale spondyloartritis, diagnose rugpijn, medische AI, multi-agentensystemen, MRI-beelden