Biomarkers voor akoestische emissie voor de detectie en monitoring van vroege knieartrose

Achtergrond van de ziekte Artrose (OA) is een veel voorkomende en invaliderende aandoening die wereldwijd ruim 7% van de mensen treft (528 miljoen mensen). Het beperkt hun mobiliteit en onafhankelijke levensstijl aanzienlijk. Artrose wordt voornamelijk beschreven door verlies van kraakbeen, structurele veranderingen in het bot en ontsteking van het synovium en het gewrichtskapsel. Veel voorkomende risicofactoren zijn onder meer veroudering, zwaarlijvigheid, eerder gewrichtsletsel en overmatig gebruik. Het duurt enkele jaren voordat artrose zich ontwikkelt, voordat de patiënt de arts bezoekt wanneer de pijn heviger wordt. In de vroege stadia zijn patiënten asymptomatisch of ervaren ze alleen activiteitsgerelateerde pijn. De pijn wordt in de loop van de tijd constant met intermitterende episoden van intense pijn. In regio’s over de hele wereld worden de gemiddelde jaarlijkse kosten van artrose voor een individu geschat op tussen de $700 en $15.600 (2019). Bijgevolg heeft OA een grote sociaal-economische impact vanwege de hoge medische kosten, vervroegde pensioneringen en het hoge ziekteverzuim.

OA treft doorgaans de heupen, knieën, handen, voeten en wervelkolom, met een hoge prevalentie van polyarticulaire betrokkenheid. Dit onderzoek richt zich op artrose van de knie.

Huidige beoordelingsstandaard De huidige gouden standaardbeoordeling van de ernst van knieartrose is gebaseerd op gewone radiografie, waarbij gebruik wordt gemaakt van het Kellgren-Lawrence (KL) beoordelingssysteem, dat in 1961 door de Wereldgezondheidsorganisatie als standaard werd aanvaard. Dit systeem beoordeelt niet het primair aangetaste weefsel (kraakbeen), maar alleen het algemene aspect van het gewricht. Hierdoor is het niet mogelijk om vroege stadia van artrose te detecteren en wordt de diagnose vaak in een laat stadium gesteld, met weinig behandelingsopties naast knieartroplastiek.

Alternatieve beoordelingsmethoden Eerdere diagnostiek en verbeterde patiëntstratificatie zijn nodig om preventieve artrosebehandelingen in te zetten. Mogelijke vroege diagnostische opties zijn onder meer Magnetic Resonance Imaging (MRI) en biochemische markers. MRI kan worden gebruikt om veranderingen in het volume, de dikte of zelfs de kwaliteit van het kraakbeen te beoordelen. Het wijdverbreide gebruik van MRI wordt echter beperkt door de hoge kosten, beschikbaarheid en het ontbreken van een gevalideerde internationale score. Veel biochemische markers worden momenteel onderzocht, maar tot nu toe missen ze specificiteit voor gewrichtsweefsels en voor bepaalde gewrichten, en de gevoeligheid en specificiteit zijn nog steeds niet hoog genoeg voor wijdverbreid klinisch gebruik.

De laatste tijd is er een groeiende belangstelling voor akoestische analyse als alternatief voor conventionele biomarkers, vooral voor het kniegewricht, waar slecht gesmeerde bewegende gewrichtsoppervlakken abnormale geluiden genereren die akoestische analyse aan het licht zou kunnen brengen.

Relevantie van het project De inmodi kniebrace, ontwikkeld aan de ETH Lausanne, is een apparaat dat is ontworpen voor een beoordeling van de kniegezondheid tijdens het bewegen. De kerntechnologie combineert akoestische, thermische en kinematische sensoren en een op kunstmatige intelligentie (AI) gebaseerde data-analyse om relevante biomarkers van de gewrichtsfunctie te extraheren.

Voorlopige gegevens suggereren dat deze gecombineerde aanpak een niet-invasieve vroege diagnose van artrose mogelijk kan maken. Bij paarden werd een sterk verband gevonden tussen de gewrichtsconditie en de kracht van de geanalyseerde akoestische emissiesignalen (AE). Combinatie van gegevens (akoestische gegevens/bewegingsgegevens) bevat waarschijnlijk meer informatie over de functionele gezondheid van de knie, maar dergelijke gegevens zijn erg zwaar (computationeel) en een algoritmische benadering zoals AI lijkt de beste optie om betekenisvolle parameters te extraheren en deze te combineren tot klinisch bruikbare biomarkers . Onlangs hebben de onderzoekers een prototype van de inmodi-kniebrace getest bij zeventien patiënten uit de kliniek, kort vóór de totale knieartroplastiek (TKA). Deze patiënten leden aan ernstige artrose aan het been dat een operatie onderging, en milde tot matige artrose aan het contralaterale been. Een machine learning-algoritme kon de beentoestanden onderscheiden met een specificiteit van 0,96 (perfect = 1).

Het doel van dit nieuwe project is om het potentieel van het inmodi-systeem om artrose in eerdere stadia te diagnosticeren verder te onderzoeken. Hiervoor zullen de onderzoekers een voorlopige referentiedatabase ontwikkelen in een subpopulatie die het risico loopt artrose te ontwikkelen. De identificatie en validatie van nieuwe biomarkers met een AI-algoritme vereist een trainingsdataset en een testdataset, beide met potentiële biomarkers en gouden standaard klinische resultaten voor validatie. Deze database vereist een steekproefomvang die groot genoeg is om statistisch verantwoord te zijn en statistische overfitting te voorkomen.

Niet-invasieve kniegezondheidsdiagnostiek zou moeten helpen bij het identificeren van risicopatiënten tegen relatief lage kosten en zonder blootstelling aan straling, en het mogelijk maken dat preventieve maatregelen eerder worden geïmplementeerd dan met standaard radiografische maatregelen.

Risicocategorie A (minimaal): Beeldvormingsprocedures omvatten (1) MRI van beide knieën, die niet-ioniserend is, en (2) EOS-scan van het volledige been met een veel lagere stralingsdosis dan conventionele radiografie. Een andere procedure is de functionele test met de inmodi kniebrace van beide benen. De waarschijnlijkheid dat röntgenstraling een biologisch effect op cellen zal veroorzaken, is zeer laag. Andere risico's zijn van psychologische aard, gerelateerd aan "screening-overdiagnose", of claustrofobische stress en geluidshinder in de MRI-scanner. Verder is er een risico voor de gegevensprivacy, dat de onderzoekers proberen te minimaliseren door de wettelijke en interne regels voor gegevensbescherming te volgen.