Analyse met behulp van AI: mogelijk drie keer zo veel mensen met long COVID als gedacht

november 2024 Actueel Willem van Altena

Long COVID treft mogelijk meer dan drie keer zo veel mensen als tot dusver werd aangenomen, blijkt uit een nieuwe studie van Mass General Brigham in Massachusetts (Verenigde Staten). Long COVID, een verzamelnaam voor langdurige klachten na een COVID-19-infectie, waaronder extreme vermoeidheid, aanhoudende hoest en concentratieproblemen, werd eerder bij ongeveer 7% van de Amerikaanse bevolking vastgesteld. Maar nu schat men, na nieuwe analyses met behulp van een innovatieve AI-gestuurde tool, dat dit percentage kan oplopen tot maar liefst 22,8%. Dit wijst op een grootschalige onderdiagnostiek van long COVID, en onderstreept de ernst en omvang van de langdurige effecten van de pandemie.

Precision phenotyping

Onder leiding van Hossein Estiri, PhD, ontwikkelden de onderzoekers een AI-tool die razendsnel grote hoeveelheden patiëntendossiers doorzoekt en patronen herkent die wijzen op long COVID. Waar traditionele methoden vaak leunen op enkele diagnosecodes, maakt deze tool gebruik van een methode die ‘precision phenotyping’ wordt genoemd. Hierbij worden specifieke symptomen en medische gebeurtenissen in de tijd gevolgd en geanalyseerd. Door andere oorzaken, zoals onderliggende hart- of longaandoeningen, uit te sluiten, is het systeem in staat om gericht die patiënten te selecteren waarbij long COVID de meest waarschijnlijke diagnose is.

Representatievere populatie

Het onderzoek, dat recentelijk in het wetenschappelijke tijdschrift Med verscheen, laat zien dat deze geavanceerde aanpak veel meer mensen kan identificeren die baat zouden hebben bij zorg. Het AI-systeem werd getest op gegevens van bijna 300.000 patiënten binnen het Mass General Brigham-netwerk, dat 14 ziekenhuizen en 20 gezondheidscentra omvat. In vergelijking met de traditionele ICD-10-codes, die artsen momenteel gebruiken voor de diagnostiek, blijkt deze AI-tool ongeveer 3% nauwkeuriger te zijn in het vaststellen van long COVID. Cruciaal is dat de resultaten een bredere, meer representatieve populatie omvatten dan de huidige methoden, die vaak alleen de populatie met betere toegang tot zorg weerspiegelen.

Hoofdonderzoeker Estiri ziet het nieuwe AI-systeem als een doorbraak in de diagnostiek van long COVID. Dankzij deze tool kunnen zorgprofessionals de enorme hoeveelheid symptomen, medische voorgeschiedenissen en behandelingen van patiënten methodisch analyseren en relevante patronen ontdekken. De onderzoekers wijzen erop dat de brede scope van de tool ervoor zorgt dat gemarginaliseerde groepen, die in traditionele studies vaak onvoldoende in beeld komen, nu ook in kaart worden gebracht. Het algoritme zorgt voor een meer representatieve demografie en beperkt de vooroordelen die soms in traditionele diagnostische codes aanwezig zijn.

Verontrustend beeld

De AI-tool laat zien dat het werkelijke aantal long COVID-gevallen in de Verenigde Staten mogelijk aanzienlijk hoger ligt dan tot nu toe werd aangenomen. Met een geschatte prevalentie van 22,8% in plaats van 7% schetst de tool een verontrustend beeld van de pandemische nasleep. Volgens de onderzoekers weerspiegelt dit cijfer nationale trends en biedt het een realistischer beeld van de pandemie en de blijvende schade ervan.

Het nieuwe algoritme biedt ook mogelijkheden om de complexe varianten van long COVID beter te begrijpen en kan worden gebruikt om de genetische en biochemische factoren achter deze aandoening te onderzoeken. Dit is cruciaal, omdat long COVID in de V.S. momenteel alleen wordt erkend als een uitsluitingsdiagnose: de symptomen moeten minstens twee maanden aanhouden zonder dat een andere onderliggende aandoening de klachten verklaart, en er moet een COVID-infectie aan voorafgegaan zijn.

Beperkingen

De onderzoekers erkennen wel dat er enkele beperkingen zijn aan hun studie. De data uit patiëntendossiers zijn mogelijk niet altijd even volledig als wat een arts in persoonlijke aantekeningen vastlegt. Ook is het algoritme nog niet in staat om de mogelijke verslechtering van eerdere aandoeningen volledig te integreren. Bovendien bemoeilijken de dalende aantallen COVID-19-testen het identificeren van wanneer een patiënt de infectie heeft opgelopen. Tot slot bleef het onderzoek beperkt tot patiënten uit de staat Massachusetts, waardoor de vraag openblijft of deze resultaten wereldwijd toepasbaar zijn.

Toekomstig onderzoek

Toekomstige studies zullen zich richten op de toepasbaarheid van de AI-tool bij specifieke patiëntengroepen, zoals mensen met COPD of diabetes. Bovendien zal de tool publiek toegankelijk worden gemaakt, zodat artsen en zorginstellingen wereldwijd kunnen profiteren van deze diagnostische vooruitgang. Het onderzoeksteam benadrukt dat deze tool niet alleen bijdraagt aan betere zorg, maar ook deuren opent voor toekomstig onderzoek naar de verschillende vormen van long COVID en de mechanismen die deze aandoening veroorzaken.

Referentie

Azhir A, Hügel J, Tian J, Estiri H et al. Precision phenotyping for curating research cohorts of patients with unexplained post-acute sequelae of COVID-19. Med. 2024; DOI: 10.1016/j.medj.2024.10.009.