Op 4 april 2024 behaalde Willem Bruin zijn doctoraat op een zeer actueel onderwerp: Biomarkers en machine learning in de Psychiatrie.<\/p>\n
In zijn onderzoek heeft hij de relatie tussen biomarkers en machine learning in de context van de psychiatrie onderzocht. Maar wat zijn biomarkers eigenlijk? En waarom is machine learning zo boeiend en relevant voor de psychiatrie? In het volgende interview met NedKAD beantwoord Willem Bruin deze vragen en legt hij uit hoe deze bevindingen relevant kunnen zijn voor de behandeling van depressie en OCD.<\/p>\n
Biomarkers zijn meetbare kenmerken die afwijkingen in normale biologische processen in het lichaam of reacties op therapie aangeven. Ze kunnen van alles zijn, van bloedwaarden en urinetestresultaten tot specifieke patronen in hersenscans. Het interessante aan biomarkers is dat ze objectieve metingen bieden die kunnen helpen bij diagnostiek en het selecteren van de juiste behandeling in de psychiatrie. In een veld waar diagnoses vaak gebaseerd zijn op subjectieve ervaringen van pati\u00ebnten en klinische observaties, kunnen biomarkers een objectieve basis bieden voor besluitvorming.<\/p>\n
In de psychiatrie wordt biomarkeronderzoek voornamelijk gebruikt om diagnostische en behandelingsgerelateerde informatie te verkrijgen. Door neuroimaging-technieken zoals MRI-scans te gebruiken, kunnen onderzoekers specifieke patronen in de hersenen identificeren die gerelateerd zijn aan bepaalde psychiatrische aandoeningen, of wijzen op een positieve uitkomst van een behandeling. Dit kan helpen bij het stellen van nauwkeurigere diagnoses en het voorspellen van behandelingsuitkomsten voor individuele pati\u00ebnten.<\/p>\n
Een voorbeeld is het gebruik van biomarkers bij de behandeling van behandelings-resistente depressie met elektroconvulsietherapie (ECT). Door specifieke patronen in hersenscans te identificeren, kunnen onderzoekers mogelijk voorspellen welke pati\u00ebnten goed zullen reageren op deze behandeling, waardoor onnodige procedures kunnen worden vermeden en effectievere behandelingen kunnen worden ingezet.<\/p>\n
Machine learning biedt de mogelijkheid om complexe patronen te ontdekken in grote hoeveelheden data. In de psychiatrie, waar de biologische basis van veel stoornissen nog grotendeels onbekend is, kan machine learning helpen bij het ontdekken van subtiele verbanden tussen biomarkers en ziekteprocessen die anders moeilijk te identificeren zouden zijn.<\/p>\n
Een van de belangrijkste methoden die we hebben gebruikt, is neuroimaging, waarbij we MRI-scans hebben gebruikt om naar de hersenen te kijken. Door machine learning technieken toe te passen op deze structurele en functionele MRI scans, konden we patronen identificeren in hersenanatomie en activiteit die geassocieerd zijn met bepaalde psychiatrische aandoeningen, zoals depressie en obsessief-compulsieve stoornis.<\/p>\n
Een belangrijke bevinding van mijn onderzoek is dat hoewel we potentieel waardevolle biomarkers hebben ge\u00efdentificeerd, het nog steeds een uitdaging is om deze biomarkers met voldoende nauwkeurigheid toe te passen in de klinische praktijk. Onze resultaten tonen aan dat factoren zoals medicatiegebruik en de heterogeniteit van psychiatrische stoornissen de nauwkeurigheid van biomarkermodellen kunnen be\u00efnvloeden.<\/p>\n
Een van de interessante bevindingen was dat hoewel we potentieel hebben gevonden voor het ontwikkelen van diagnostische biomarkers, de huidige nauwkeurigheid van deze modellen nog niet voldoet aan de vereiste standaard van 80%. Dit benadrukt de uitdagingen en complexiteit van het vinden van betrouwbare diagnostische biomarkers in de psychiatrie. Het voorspellen van behandelingsuitkomsten bij ECT in pati\u00ebnten met behandelings-resistente depressie ging echter een stuk beter, en voldeed wel aan de 80% nauwkeurigheid.<\/p>\n
Ik denk dat er nog veel potentieel is voor de ontwikkeling van biomarkers in de psychiatrie, maar er is ook nog veel werk te doen. Grootschalige studies met diverse populaties en longitudinale data zijn nodig om de generaliseerbaarheid van de gevonden biomarkers te waarborgen en hun klinische bruikbaarheid te valideren.<\/p>\n
Een veelbelovende richting is het ontwikkelen van biomarkers voor differenti\u00eble diagnostiek, waardoor we niet alleen kunnen onderscheiden tussen gezonde individuen en pati\u00ebnten, maar ook tussen verschillende psychiatrische stoornissen. Daarnaast is er behoefte aan grootschalige studies met diverse en representatieve populaties, waarbij verschillende soorten gegevens worden ge\u00efntegreerd, zoals genetica, klinische informatie en neuroimaging. Dit zal ons helpen om nauwkeurigere en robuustere biomarkers te vinden die daadwerkelijk kunnen worden toegepast in de klinische praktijk.<\/p>\n
Willem Bruin voltooide een Bachelor of Science in Psychobiologie aan de Universiteit van Amsterdam in 2014, gevolgd door een Research Master in Biomedische Wetenschappen, gespecialiseerd in Neurobiologie, afgerond in 2017. Tijdens zijn studie voltooide hij twee onderzoeksstageprojecten aan het Academisch Medisch Centrum, met de nadruk op neuroimaging. Vervolgens deed hij een promotieonderzoek dat zich richtte op machine learning en MRI-gegevensanalyse voor psychiatrische pati\u00ebnten. Na het afronden van zijn proefschrift werkte hij als postdoc-onderzoeker aan het Amsterdam UMC, waarna hij zijn onderzoek voortzette aan de Universiteit Leiden, met de focus op hersenmorfologie bij jeugdige angststoornissen en het toepassen van machine learning-technieken voor voorspellende psychiatrie.<\/p>\n","protected":false},"excerpt":{"rendered":"
Op 4 april 2024 behaalde Willem Bruin zijn doctoraat op een zeer actueel onderwerp: Biomarkers en machine learning in de Psychiatrie. In zijn onderzoek heeft hij de relatie tussen biomarkers en machine learning in de context van de psychiatrie onderzocht. Maar wat zijn biomarkers eigenlijk? En waarom is machine learning zo boeiend en relevant voor […]<\/p>\n","protected":false},"featured_media":21823,"parent":0,"comment_status":"closed","ping_status":"closed","template":"","meta":[],"tags":[],"nieuws_categorie\u00ebn":[79,80,81],"acf":[],"yoast_head":"\n