Een lerend zorgstelsel voor beter kankeronderzoek en betere zorg

Een geïntegreerd lerend zorgstelsel waarin iedere patiënt bijdraagt aan betere kankerzorg voor de volgende generatie patiënten. Dat is de gedeelde toekomstvisie van Hartwig Medical Foundation en het Patient Cohorts Platform van Oncode Accelerator. Samen werken zij aan het verzamelen en koppelen van gegevens uit het volledige zorgtraject van mensen met kanker, waaronder longitudinale klinische gegevens, uitkomstgegevens, genetische informatie en gegevens over kwaliteit van leven. Deze data kunnen niet alleen de diagnose en behandeling van patiënten ondersteunen, maar ook bijdragen aan de ontwikkeling van nieuwe therapieën.

We spraken met Paul Roepman (Klinisch Moleculair Bioloog, Hartwig Medical Foundation), Joep de Ligt (Database Lead, Hartwig Medical Foundation) en Elise Rinzema (Programmamanager, Patient Cohorts Platform van Oncode Accelerator) om meer over de activiteiten van beide organisaties te leren.

“Ieder van ons draagt een ander stukje van de puzzel bij,” legt Elise uit. Het Patient Cohorts Platform brengt twaalf landelijke oncologische cohorten samen die hoogwaardige klinische gegevens en biomaterialen verzamelen van kankerpatiënten in Nederland. Hartwig Medical Foundation is gespecialiseerd in het analyseren van het DNA van het volledige kankergenoom en het vertalen van deze complexe moleculaire gegevens naar informatie die relevant en bruikbaar is voor artsen, patiënten en onderzoekers. Paul vult aan: “Hartwig Medical Foundation is een technologisch instituut. We zijn afhankelijk van samenwerkingen met ziekenhuizen, bij voorkeur op grote schaal zoals met het Patient Cohorts Platform, want aantallen doen ertoe.”

Van reguliere zorg naar een lerend zorgstelsel

“In elk ziekenhuis is zoveel data beschikbaar. Idealiter haal je daar inzichten uit om onderzoek en toekomstige zorg te verbeteren, vervolgens de behandeling voor toekomstige patiënten te verbeteren, en dan weer te leren van de patiënten die deze verbeterde behandelingen krijgen,” zegt Elise. “Maar onderzoek en reguliere zorg opereren vaak los van elkaar. Om ze samen te brengen is coördinatie en vertrouwen nodig.”

Diagnostische informatie helpt bijvoorbeeld bij het nemen van beslissingen voor individuele patiënten, maar het potentieel ervan om nieuwe inzichten te genereren en behandelingen voor toekomstige patiënten te verbeteren, wordt niet altijd volledig benut. Klinische studies blijven essentieel voor de ontwikkeling van nieuwe behandelingen, maar een lerend zorgstelsel kan deze versterken door systematisch te leren van alle patiënten die in de dagelijkse praktijk kankerzorg ontvangen.

“In een ideale situatie leer je van elke patiënt,” zegt Paul. “In een lerend zorgstelsel willen we weten of een behandeling werkte, voor wie en waarom. Die inzichten moeten terugvloeien naar onderzoek en zorg, zodat we kunnen leren van onze successen en fouten en de zorg voor toekomstige patiënten kunnen verbeteren.”

De dataloop sluiten

Het sluiten van deze dataloop tussen zorg en innovatie is een noodzakelijke stap op weg naar een lerend zorgstelsel. “Het gaat erom dat data die tijdens de zorg wordt gegenereerd, terugkomt in onderzoek, klinische studies en de herbeoordeling van geneesmiddelen,” legt Joep uit. “Data uit verschillende ziekenhuizen over hoe lang patiënten overleven na een bepaalde behandeling moet bijvoorbeeld worden verzameld, gecentraliseerd en geanalyseerd om te bepalen hoe goed de behandeling werkte. De bevindingen van die herbeoordeling moeten vervolgens weer terugvloeien naar behandelrichtlijnen.”

Paul en Joep geven twee voorbeelden van hoe deze feedbacklus patiënten ten goede kan komen. Het eerste voorbeeld betreft PARP-remmers, een behandeling voor patiënten met borst- of eierstokkanker. “Traditioneel dacht men dat PARP-remmers het best werkten bij patiënten met borst- of eierstokkanker met mutaties in de BRCA-genen. Dat kwam ook tot uiting in de richtlijnen voor het gebruik van een geneesmiddel,” legt Paul uit. “Maar door whole genome sequencing (een techniek waarmee de volledige DNA-code in kaart wordt gebracht) -data van patiënten te analyseren, hebben we geleerd dat PARP-remmers goed werken tegen tumoren met veel DNA-breuken, die wel, maar niet uitsluitend, door defecten in BRCA-genen kunnen worden veroorzaakt. PARP-remmers werken minder goed bij tumoren met weinig DNA-breuken, zelfs als er wel een BRCA-mutatie aanwezig is.” Dit nieuwe inzicht kan artsen in de toekomst helpen beter onderbouwde behandelkeuzes te maken en bijdragen aan het aanpassen van de gebruiksvoorschriften.

Een tweede voorbeeld is kanker van onbekende primaire origine (Cancer of Unknown Primary, CUP): gevallen waarin kanker is uitgezaaid, maar de oorsprong niet kan worden vastgesteld. Dat betekende voorheen dat er geen standaardbehandeling beschikbaar was, omdat behandelschema’s, waaronder chemotherapieën, worden afgestemd op de plaats van de oorspronkelijke tumor. “Met behulp van whole genome sequencing-data kunnen we nu bij ongeveer drie op de vier patiënten met CUP beter begrijpen waar de primaire tumor zit,” aldus Paul. Deze aanpak, die inmiddels in de Nederlandse zorg wordt vergoed, opent behandelmogelijkheden voor patiënten die anders geen opties hadden.

Waar de dataloop nog hapert

Om conclusies te kunnen trekken, moeten zowel biologische monsters als klinische informatie aan hoge kwaliteitsnormen voldoen. Bij biologische monsters zijn de manier van afname en opslag cruciaal. Voor routinematig weefselonderzoek moeten monsters bijvoorbeeld worden verwerkt met formaline-fixatie voor microscopisch onderzoek. Dit proces beschadigt echter het DNA, waardoor deze monsters minder geschikt zijn voor analyse met whole genome sequencing. Data van biologische monsters en de bijbehorende klinische data van dezelfde patiënt moeten bovendien aan elkaar gekoppeld worden, zodat duidelijk is welke monsters bij welke patiënt horen.

Bij klinische data is het belangrijk dat informatie nauwkeurig, volledig en gestandaardiseerd wordt vastgelegd. “Als overlevings- of behandeldata onnauwkeurig of onvolledig is,” legt Joep uit, “lopen onderzoekers het risico verkeerde conclusies te trekken.”

Standaardisatie van data is ook essentieel om data uit verschillende ziekenhuizen effectief te kunnen combineren. “We moeten allemaal dezelfde taal spreken,” zegt Elise. “Door verschillende datasets te kunnen combineren, wordt de data veel waardevoller.” Standaardisatie maakt het bijvoorbeeld makkelijker om zeldzame vormen van kanker en specifieke patiëntsubgroepen te bestuderen, zoals patiënten met bepaalde moleculaire profielen of behandelresponsen, waarvoor vaak slechts beperkte hoeveelheden data beschikbaar zijn. Wanneer gegevens uit verschillende bronnen op een gestandaardiseerde manier worden verzameld en gekoppeld, kunnen datasets van voldoende omvang worden samengebracht, zowel nationaal als internationaal. Dit maakt het mogelijk om betekenisvol bewijs te genereren waar dat anders niet haalbaar zou zijn.

Complexe data begrijpelijk maken

Elke whole genome sequencing-dataset bevat een enorme hoeveelheid informatie. Paul zegt hierover: “Een deel van mijn rol is ervoor te zorgen dat de gegenereerde genomische data en resultaten aansluiten bij wat ziekenhuizen nodig hebben, willen en aankunnen, om artsen te ondersteunen – en niet te verwarren – bij een zinvol gesprek met hun patiënten in de spreekkamer.” Om de hoeveelheid informatie hanteerbaar te maken, richt de Hartwig Medical Foundation zich daarom op enkele honderden genetische kenmerken en signalen die klinisch relevant zijn voor het type tumor en de mogelijke behandeling.

Waarom rapporteren we alleen deze geselecteerde kenmerken en signalen, en niet alles? “Als je alle data uit whole genome sequencing zou willen bekijken, zou dat zelfs voor een expert dagen duren,” legt Joep uit. “We hebben het team van Paul nodig om te bepalen wat klinisch relevant is. Als het aantal genetische mutaties bijvoorbeeld voorspelt of een immuuntherapie bij een patiënt zal werken, is dat belangrijke informatie. Maar een arts wil geen ruw getal zien, die wil weten: gaat deze therapie mijn patiënt helpen?”

Om onderzoekers en behandelaars te helpen door die grote datasets te navigeren en praktische vragen te beantwoorden, zoals welke therapie bij welke patiënt zal werken, ontwikkelt het team van Joep bij Hartwig Medical Foundation nieuwe tools, zoals AI-assistenten die onderzoekers en artsen helpen de beschikbare data te gebruiken om hun vragen te beantwoorden.

Belangrijk is dat deze tools voor data-analyse en visualisatie zijn ontworpen met privacy als uitgangspunt. “Onze AI-assistent helpt vragen te beantwoorden op basis van de beschikbare data, maar heeft nooit rechtstreeks toegang tot patiëntgegevens,” legt Joep uit. Dit waarborgt naleving van strenge eisen voor gegevensbescherming en respecteert de toestemming van patiënten en hun recht om hun gegevens in te trekken. Het doel is om data makkelijker te kunnen analyseren zonder concessies te doen aan veiligheid of de privacy van patiënten.

Samen bouwen aan de toekomst

Het sluiten van de dataloop vraagt niet alleen om geavanceerde technologie en expertise, maar ook om vertrouwen en intensieve samenwerking. Gegevens moeten op dezelfde manier worden vastgelegd, systemen moeten op elkaar aansluiten en organisaties moeten afspraken maken over hoe data veilig en verantwoord wordt gedeeld. Dat kost tijd en inzet, maar de mogelijke voordelen voor patiënten zijn groot. Hartwig Medical Foundation en het Patient Cohorts Platform brengen ieder een essentieel stukje van de puzzel. Samen werken zij aan een toekomst zorgstelsel waarin de kennis die ontstaat tijdens de zorg van vandaag, helpt om de zorg voor toekomstige patiënten verder te verbeteren.