DSS Annual Award voor publicatie over Nijmegen Decision Tool for Chronic Low Back Pain

Als je chronische rugklachten hebt, wil je natuurlijk de best denkbare behandeling. De zogeheten Nijmegen Decision Tool for Chronic Low Back Pain gebruikt big data analytics en slimme algoritmen om eerder te bepalen welke behandeling je de meeste kans op succes biedt. De NDT-CLBP, zoals de afkorting luidt, is ontwikkeld door de ´Spine Unit´ van de Sint Maartenskliniek en Radboudumc. Een publicatie die onderstreept dat veel patiënten met chronische lagerugpijn echt baat hebben bij deze tool, werd onlangs bekroond met de DSS Annual Award. Een mooie erkenning, vindt Miranda van Hooff, die de prijs in ontvangst nam. Maar er zijn nog veel meer winnaars.

Miranda-Van-Hooff-DSS-Award.jpg#asset:8208Uit zeer recente cijfers van het RIVM blijkt dat maar liefst 2 miljoen volwassen Nederlanders kampen met chronische lage rugklachten en nekklachten. Bij velen van hen zijn de klachten zo erg dat zij niet of beperkt kunnen werken. Het is daarmee een groot maatschappelijk probleem. Bij 90 tot 95 procent van alle rugklachten weten we niet echt een oorzaak vast te stellen. Dit maakt het uitermate moeilijk om de juiste behandelvorm – er zijn er velen – te kiezen. Bij de groep waarvan we dit wel weten (het gaat dan over anatomische dan wel biomedische afwijkingen) is het ook niet altijd duidelijk wat de beste behandeling is. Een operatie is meestal niet de oplossing: een diagnostisch traject en conservatieve behandeling heeft doorgaans de voorkeur. Maar wat is voor de patiënt in kwestie de juiste behandeling? Welke behandeling heeft de meeste kans van slagen? Om dit per patiënt beter in te kunnen schatten – en er dus voor te zorgen dat hij of zij eerder bij de juiste zorgverlener komt – ontwikkelden de wervelkolomchirurgen van de zogeheten ‘Spine Unit’ van de Sint Maartenskliniek en Radboudumc in samenwerking met research de Nijmegen Decision Tool for Chronic Low Back Pain (NDT-CLBP).

Eerder bij de juiste behandelaar dankzij big data en algoritmen

De NDT-CLBP bevat een voorspelmodel, gebaseerd op systematisch verzamelde data van patiënten. Patiënten vullen vóór hun eerste bezoek aan de polikliniek enkele online vragenlijsten in. Daarin staan biomedische vragen en psychosociale vragen (wat doet deze pijn met jou als mens?). Die info belandt in een omvangrijke database met gegevens over klachten, behandelingen en behandelresultaten van andere patiënten met lage rugklachten. Met de inzet van ‘big data’ en ‘predictive analytics’ zijn algoritmen geformuleerd en wordt elke patiënt ingedeeld in een bepaald prognostisch profiel. Door deze classificatie kan een indruk gekregen worden welk traject een patiënt zou kunnen bewandelen om een behandeling te krijgen waarvoor de meeste kans op succes is. Dit geeft keuze-informatie en wordt met de patiënt besproken, waarna het traject al dan niet verder wordt bewandeld. Tijdens de behandeling en in de periode daarna zijn er regelmatig systematische metingen naar de respons op de behandeling. Ook die gegevens komen in de databank terecht, waardoor de voorspellende kracht van de NDT-CLBP almaar toeneemt.

‘Als patiënt kom je eerder bij de juiste behandelaar, die bovendien door de informatie beter voorbereid is op je bezoek en geen “verlegenheidsdiagnose” hoeft te geven’, vertelt Miranda van Hooff, onderzoeker en klinisch epidemioloog Orthopedie bij de Sint Maartenskliniek, die in april 2017 aan het VUmc in Amsterdam, promoveerde op de ontwikkeling van deze Tool. ‘We kunnen aardig voorspellen welk traject nou het meest geschikt is: een mogelijk chirurgische diagnostisch traject of een conservatief diagnostisch traject. Dit leidt in de toekomst tot minder onnodige operaties, meer kans op succes, tegen lagere kosten.’

Big smile

Het voorspelmodel heeft op allerlei manieren positieve impact. Niet vreemd dus dat er al een tijdje zowel nationaal als internationaal veel belangstelling is voor deze Nijmeegse vinding. Nog meer reuring veroorzaakte de publicatie die Van Hooff schreef over het onderzoek van de Sint Maartenskliniek en de Radboudumc. Daaruit blijkt dat de Nijmegen Decision Tool inderdaad lijkt te voorspellen welke patiënten baat hebben bij een diagnostische traject dat leidt tot een rugoperatie of een multidisciplinair behandelprogramma. In november ontving ze hiervoor de DSS Annual Award 2018, een prijs voor de beste publicatie binnen de wervelkolomchirurgie. De award kwam overigens toch als een verrassing: de organisatie was vergeten Van Hooff vooraf op de hoogte te stellen. Ze was in Nijmegen, op het Maartenskliniekcongres ‘Verder in Beweging’, toen ze te horen kreeg dat ze eigenlijk in Rotterdam op het jaarlijkse congres van Dutch Spine Society (DSS) werd verwacht. ‘Ik had geen tijd meer om een leuk jurkje aan te trekken, deed mijn haar snel in de plooi en ging toen razendsnel met een big smile naar Rotterdam’, vertelt ze. ‘Ik ben superblij, apetrots en onze Spine Unit enorm dankbaar dat we dit samen kunnen doen en verder ontwikkelen. Zonder hun committent en bijdrage was dit niet mogelijk. Het is een grote erkenning en waardering voor ons werk en research.´

Vervolgonderzoek

Wie Van Hooff hoort praten over de Nijmegen Decision Tool, deelt al snel haar enthousiasme. Maar de onderzoeker / klinisch epidemioloog weet zelf dat er nog een lange weg te gaan is. ‘We weten nu dat de beoogde doelgroep bij onze eigen kliniek veel baat hierbij kan hebben. Maar werkt het ook voor patiënten die elders gezien worden? Dat is een reële vraag, aangezien de Sint Maartenskliniek een specialistisch ziekenhuis is. Vandaar dat we nu samen met enkele andere Nederlandse ziekenhuizen gaan kijken of het voorspelmodel ook daar werkt. Daarnaast willen we een kleine haalbaarheidspilot gaan houden in de eerste lijn. Hiervoor gaan we de samenwerking aan met huisartsen en andere verwijzers.’

Kunstmatige intelligentie

Ook de momenten waarop de NDT-CLBP voor een goed gefundeerde keuze kan zorgen, worden in een vervolgonderzoek onder de loep gelegd. Van Hooff: ‘We zetten de tool nu helemaal aan het begin in voor de triage chirurgisch / non-chirurgisch, op het moment dat de patiënt nog niet op de poli is gezien. Maar we kunnen de Tool verder uitbreiden en wellicht ook inzetten voor het tweede beslismoment na de diagnostiek voor verwijzing naar de voor de betreffende patiënt meest geschikte behandeling. De algoritmen voor beide momenten willen we bovendien slimmer maken door machine learning-technieken. We begeven ons dan op het vlak van de kunstmatige intelligentie. Wat dat betreft zien we de award ook wel als erkenning voor het gedachtengoed en als een aanmoedigingsprijs. Er staat al iets moois, maar dat kunnen we op vele manieren nog mooier maken.’