AI in de reumatologie: ontegensprekelijk een meerwaarde
De EULAR vermeldt nu ook artificiële intelligentie in haar richtlijnen. AI blijkt een zeker potentieel te hebben bij het interpreteren van beelden (diagnose en follow-up van reumatische en musculoskeletale ziektes). Ter illustratie, het RADAR-algoritme, dat is gevalideerd en uitgetest in de ESPOIR-cohorte. De concordantie was spectaculair.
Een belangrijk criterium bij de evaluatie van reumatoïde artritis is een verergering van de structurele letsels. Twee radiologen analyseren daarbij standaardröntgenfoto’s en scores van structurele letsels. Die werkwijze is echter moeilijk haalbaar in grote longitudinale cohortonderzoeken.
Het RADAR-algoritme (Rheumatoid Arthritis Damage Automatic Reader) werd ontwikkeld om dat proces te automatiseren. Het is opgesteld en getraind in de Franse BCD-cohorte van 545 patiënten met RA, bij wie röntgenfoto’s van de handen en de voeten werden gemaakt bij inclusie in de studie en één en twee jaar later. Die foto’s werden door vier ervaren radiologen geanalyseerd (gewijzigde Sharp-van der Heijde-score, SvdH).
Vervolgens werd het algoritme uitgetest bij de 813 patiënten van de ESPOIR-cohorte met RA in een vroeg stadium (< 6 maanden) of een sterk vermoeden van RA. Ze hadden nog geen basisbehandeling gekregen en werden in de studie opgenomen tussen 2003 tot 2005.(1) Bij die patiënten werden om de zes maanden röntgenfoto’s van de handen en de voeten gemaakt gedurende twee jaar en vervolgens na 2, 3, 5, 10, 12, 15 en 20 jaar. Het was de bedoeling na te gaan of je met dat algoritme grote hoeveelheden radiografische gegevens kunt analyseren.
De BCD-cohorte
Het RADAR-algoritme heeft met succes de röntgenfoto’s van 7.560 hand- en voetgewrichten van de patiënten van de BCD-cohorte geanalyseerd. De resultaten waren coherent binnen het hele spectrum, van gezonde gewrichten tot gewrichten met grote erosie. De interobservatorbetrouwbaarheid, die vier experts hebben berekend op grond van dertig röntgenfoto’s, was goed (κ = 0,7-0,9). De performance-indicatoren werden bevestigd en de resultaten van de experts waren zeer concordant: een precisie van 0,94, een sensitiviteit van 0,92 en een specificiteit van 0,95 (κ = 0,88) bij binaire classificatie.
De ESPOIR-cohorte
De eerste evaluaties zijn uitgevoerd op grond van röntgenfoto’s van goede kwaliteit en dus niet van alle foto’s, aangezien de gegevens te heterogeen waren (JPEG voor gedigitaliseerde oude röntgenfoto’s die zilver bevatten, en DICOM voor recentere beelden).
In die subgroep werd de precisie geraamd op 0,95, de sensitiviteit op 0,93 en de specificiteit op 0,99. In een volgend stadium zullen de vorsers röntgenfoto’s die artefacten vertonen, eerst behandelen om de variabiliteit van de beelden te verminderen en de inputgegevens in de modellen te standaardiseren teneinde het algoritme nog te verbeteren en ervoor te zorgen dat het gemakkelijk op grote schaal kan worden toegepast.
Een tool op maat van grote studies
RADAR blijkt zeer precies en betrouwbaar te zijn bij de detectie en de classificatie van gewrichtsletsels op röntgenfoto’s van patiënten met RA. Met AI kan je een grote hoeveelheid gegevens die werden verzameld gedurende twintig jaar, analyseren.
Referentie:
1. Pensec H, et al. EULAR 2026;#OP0344. Ann Rheum Dis 2026; DOI: 10.1136/annrheumdis-2026-eular.B.1188.