Artsen staan vaak voor moeilijke keuzes. Computermodellen die hen zouden moeten adviseren, zijn helaas ook niet altijd zeker van hun stuk. Wie beter dan een onzekere ingenieur om te helpen die zee van onzekerheid oversteken?
Beeld je in: een arts staat op het punt een naald in het bloedvat van een patiënt met leverkanker te steken. Het zweet parelt van haar voorhoofd. Ze kijkt opzij, en twijfelt. Er is één kans. De arts moet radioactieve bolletjes injecteren in het bloedvat om de tumor te vernietigen. Dat kan enkel als een hoge dosis bolletjes de tumor bereikt. Maar er zijn heel veel verschillende manieren om de injectie uit te voeren. Op welke exacte locatie en op welke exacte snelheid moet de arts de bolletjes injecteren? Hoe vindt ze de juiste injectiemethode die de tumor zoveel mogelijk beschadigt?
Op dit moment is de overlevingskans bij leverkanker na 5 jaar minder dan 25%. Die uitkomsten kunnen verbeteren als er een hogere dosis bolletjes bij de tumor terechtkomt. Het is dus van levensbelang dat de arts bij injectie voor de juiste injectiemethode kiest. Maar dat is complexer dan je zou denken. In België krijgen elk jaar meer dan 1200 mensen te horen dat ze leverkanker hebben. Voor elk van hen is er een andere ideale injectiemethode. Hoe kan de arts dan voor élk van die 1200 patiënten de optimale injectiemethode uitvissen?
Als arts kan je je patiënt maar een keer opereren – liefst zonder fouten. Daarom zou een generale repetitie, waarmee de arts een bepaalde injectiemethode eens kan uittesten, erg handig zijn. Om zo’n generale repetitie mogelijk te maken, werkten we bij UGent aan computermodellen om artsen te adviseren over de optimale injectiemethode, nog vóór de operatie plaatsvindt. Met zulke computermodellen kunnen we de arts tonen hoe de bloedbaan (rood op de figuur) eruit ziet, waar het kankergezwel (paars) precies ligt, en welke dosis bolletjes uiteindelijk naar het gezwel stroomt. Al moet zo’n computermodel wel betrouwbaar zijn. Een computermodel dat de uitkomst van de behandeling verkeerd voorspelt, is gevaarlijk. Kunnen we die computer wel vertrouwen?
Een goeie generale repetitie is goud waard
Slecht nieuws: ook computermodellen zijn (helaas) nooit perfect. Neem bijvoorbeeld de hartslag van de patiënt. Die kennen we pas tijdens de operatie, maar om het model te doen werken, moeten we die op voorhand ingeven. Dus we moeten een schatting maken. Zo moeten we nog heel wat gegevens inschatten voor het model kan werken. Maar wat als die schattingen verkeerd zijn? Hebben die dan een grote invloed op de uitkomst van het model?
Om dat te weten te komen, ontwikkelde ik tijdens mijn doctoraat een test. Die test deed het computermodel duizenden keren draaien – telkens met een licht andere hartslag. Zo zag ik hoe groot de invloed van de hartslag op de uitkomst van ons model was. Daarna herhaalde ik de test voor alle gegevens in het model waar we onzeker over waren. Op het einde van die test hadden we een lijstje: welke gegevens het meest onzeker waren, en wat de totale onzekerheid van ons model was.
Net omdat we bepaalde gegevens als hartslag moeten inschatten, raadde ik met mijn onderzoek aan om de resultaten van die modellen te rapporteren met een spreiding in dosis. Geen exacte dosis bolletjes die de tumor bereikt, maar een dosis die ligt tussen een minimum en een maximum. Zoals weervrouw Jacotte Brokken vanaf nu niet meer zou spreken over een voorspelling van 23 graden, maar eentje tussen 22 en 25 graden. Hoe groot die spreiding in dosis uiteindelijk is, hangt af van hoe onzeker het model is. Bij grote onzekerheid kunnen we dus maar flauwe voorspellingen doen. Als Jacotte ons zou vertellen dat het morgen tussen 17 en 31 graden zal worden, dan is dat een érg grote spreiding. Maar die eerlijkheid is net waar het om draait.
Ja, computermodellen zijn onzeker, ook al verwachten we altijd dat ze zoveel slimmer zijn dan wij. Daarom is het cruciaal om die onzekerheid op de voorspelling zichtbaar te maken, en duidelijk te communiceren aan de arts. Die kan zo voor de operatie bekijken hoeveel bolletjes naar de tumor stromen voor een specifieke injectieplek en injectiesnelheid, maar weet zo ook onmiddellijk hoe hard ze mag vertrouwen op dat advies. Dat is cruciale extra informatie. Net zoals jij volgend weekend je tripje naar de zee plant op een dag dat Jacotte met veel zekerheid een droge dag voorspelt. Op een mogelijke droge dag met veel onzekerheid kan je evengoed nog wat in de zetel blijven hangen.
Met dit soort computermodellen kan de arts dus zoveel injectieplekken en injectiesnelheden testen voor de operatie als ze wil. De patiënt heeft er allemaal geen last van. Eenmaal de arts het voor haar optimale scenario gevonden heeft, is het enkel nog kwestie van dat scenario zo goed mogelijk na te bootsen tijdens de echte operatie.
Het is dus helemaal niet ondenkbaar dat onzekere computermodellen onzekere artsen op termijn gidsen door een complexe operatie, zolang we maar eerlijk zijn over die onzekerheid. Voor die 1200 mensen die in België jaarlijks met leverkanker te maken krijgen, zou dat een wereld van verschil uitmaken: een beter voorbereide arts én een computermodel dat eerlijk is over wanneer we het kunnen vertrouwen. Beeld je in: een arts die zonder aarzelen haar latex handschoenen kan aantrekken en zonder te zweten de naald kan klaarmaken. De twijfel? Weg.
Tim Bomberna dingt mee naar de Vlaamse PhD Cup 2026. Ontdek meer over dit onderzoek op www.phdcup.be.
