Over het Hanarth Fonds

Ontstaansgeschiedenis van het Hanarth Fonds

Het Hanarth Fonds is op 28 september 2018 opgericht en is ontstaan uit de nalatenschap van Arthur del Prado, oprichter en voormalig CEO van ASM International. Mede vanwege het overlijden van zijn eerste echtgenote aan longkanker was het zijn wens om wetenschappelijk onderzoek te steunen dat zich richt op de oorzaak/genezing van kanker. Klik hier voor meer informatie over Arthur del Prado.

Doel van het Hanarth Fonds

Het gebruik van kunstmatige intelligentie en machine learning bevorderen en verbeteren om de diagnose, behandeling en uitkomst van patiënten met kanker te verbeteren. In dit kader ondersteunt het Hanarth Fonds wetenschappelijk onderzoek dat zich richt op (met name maar niet uitsluitend zeldzame vormen van) kanker.

Achtergrond

Tien jaar geleden leefden wereldwijd 12,7 miljoen mensen met deze ziekte. Verwacht wordt dat tegen 2030 21,7 miljoen mensen getroffen zullen worden, grotendeels vanwege een groeiende en vergrijzende bevolking en veranderingen in levensstijl. Ondanks duidelijke vooruitgang in de vroege opsporing en behandeling zijn er zeker nog onvervulde behoeften in de oncologie.

Kunstmatige intelligentie in oncologie

De medische kennis op het gebied van oncologie neemt snel toe, en dankzij de geboekte vooruitgang op het gebied van immunologie, genetica en systeembiologie komen er komen steeds nieuwe therapieën beschikbaar. Dit gaat gepaard met een exponentieel groeiende hoeveelheid elektronische patiëntgegevens. Daarnaast is er tegenwoordig vraag naar gepersonaliseerde behandeling van kanker. Er is voor iedere patiënt veel informatie beschikbaar over zijn of haar huidige toestand en eerdere behandeltrajecten, en deze hoeveelheid patiënt specifieke gegevens brengt een grote uitdaging met zich mee. Het medische besluitvormingsproces wordt door deze ontwikkelingen namelijk steeds complexer, wat de kans op suboptimale beslissingen vergroot.

Als er bij het analyseren van grote hoeveelheden gegevens ('big data') gebruik wordt gemaakt van kunstmatige intelligentie en machine learning, kan dit de medische besluitvorming in de nabije toekomst duidelijk ten goede komen. Machine learning is een vakgebied binnen de informatica. Het houdt zich bezig met onderzoek naar en het ontwikkelen van algoritmen die op basis van gegevens kunnen leren en voorspellingen kunnen doen. Het is de wetenschap die erop gericht is computers, zonder ze uitdrukkelijk te programmeren, taken te laten uitvoeren. De hoeveelheid beschikbare gegevens en de diversiteit ervan neemt momenteel nog steeds toe, ook met betrekking tot veelvoorkomende of juist zeldzame vormen van kanker bij volwassenen.

Zeldzame vormen van kanker

Bij 22% van de nieuwe diagnoses van kanker bij mensen gaat het om een zeldzame vorm van kanker. We spreken van een 'zeldzame' vorm als de incidentie lager is dan 6 nieuwe gevallen per 100.000 personen per jaar. Bij zeldzame vormen van kanker zijn de overlevingscijfers ongunstiger dan bij veelvoorkomende vormen. Dit heeft vooral te maken met het later stellen van de juiste diagnose, suboptimale eerstelijnsbehandeling in de curatieve fase, en de beperkte mogelijkheden voor patiënten om deel te nemen aan klinisch onderzoek, omdat opdrachtgevers uit zowel de academische wereld als de farmaceutische sector niet veel geld steken in gericht/specifiek onderzoek naar zeldzame ziekten. We zien dat tumoren in toenemende mate worden onderverdeeld in moleculaire subgroepen, elk met een eigen therapeutisch beleid. Deze fragmentatie zorgt voor een aanzienlijke stijging van het aantal zeldzame vormen van kanker bij volwassenen en de sociaal-economische last die zij met zich meebrengen.

De kennis die met gangbare tumoren is opgedaan, kan dienen als input van beslissende betekenis om de analyse van zeldzame vormen van kanker te verbeteren. Computers zijn in staat steeds meer gegevens te verwerken, en gegevensopslag wordt steeds goedkoper. Dit maakt het mogelijk in korte tijd algoritmen en modellen te ontwikkelen om meer en complexere gegevens te analyseren en sneller resultaten te krijgen die bovendien nauwkeuriger zijn. Het is nu zaak om met behulp van deze kennis op korte termijn hulpmiddelen te ontwikkelen waarmee zorgverleners zulke gegevens snel kunnen interpreteren en hun bevindingen kunnen toepassen in de dagelijkse klinische praktijk.

Hierbij kan gedacht worden aan:

automatische beeldverwerking ten behoeve van classificatie, detectie en radiomics;
predictieve en prognostische modellen ten behoeve van gepersonaliseerde geneeskunde;
op verschillende inputparameters gebaseerde modellen die kunnen helpen om veiligheidsproblemen te signaleren;
het in kaart brengen van patiënten met een zeldzame aandoening en uitkomst gerelateerde factoren op basis van elektronische patiëntendossiers;
het toepassen van machine learning op verbonden databanken voor diverse zeldzame vormen van kanker, in de hoop daarin besloten liggende latente kennis en patronen te vinden (zulke latente uitkomst gerelateerde kennis en patronen worden door zorgverleners vaak over het hoofd gezien, aangezien zij doorgaans vooral alert zijn op patronen die zij zelf in de klinische praktijk hebben waargenomen onder patiënten met gangbare vormen van kanker).

Er is behoefte aan nieuwe spelers

Als men machine learning wil toepassen op bestaande gegevensverzamelingen voor zeldzame tumorsubtypen en de resultaten daarvan wil gebruiken in de dagelijkse klinische praktijk, is er een multidisciplinair team nodig met enkele nieuwe spelers. Deze nieuwe spelers zijn zorgverleners of wetenschappers* met een degelijke achtergrond of grote interesse op het gebied van machine learning (of kunstmatige intelligentie in het algemeen) en (een) partner(s) met een achtergrond op het gebied van machine learning (of kunstmatige intelligentie in het algemeen) en interesse in geneeskunde, die een betekenisvolle bijdrage kunnen leveren aan de ontwikkeling en evaluatie van algoritmen.

Het huidige medische onderwijssysteem en de klinische praktijk voldoen niet aan deze behoeften en doet (te) weinig om artsen op te leiden in de gegevenswetenschap, statistiek of data science die nodig zijn om algoritmen te ontwikkelen, te evalueren en toe te passen in de klinische praktijk.

Medische of niet-medische wetenschappers