BioMED werkt samen met dokters om bv. reuma, hartfalen, epilepsie, en kanker te bestrijden. Er is ook een nauwe samenwerking met imec om zo de meest geavanceerde wearables (van imec) te kunnen combineren met de beste algoritmes (van BioMED). Een geslaagd huwelijk!
Een ingenieursteam voor elke dokter
Artificiële intelligentie (AI) en slimme wearables zullen een ongekende evolutie teweegbrengen in de geneeskunde. Dankzij AI kunnen meettoestellen in het ziekenhuis slimmer gemaakt worden en bv. automatisch epilepsieaanvallen detecteren op een elektro-encefalogram (EEG) of tumorweefsel herkennen op beelden. Bovendien zijn deze algoritmes heel flexibel en kunnen ze gemakkelijk nieuwe dingen aanleren (bv. het toevoegen van een nieuw soort meting). Een belangrijk domein waarin AI snel doorbreekt is radiologie. Dit omdat de algoritmes vlot overweg kunnen met beelden, en uit de aantekeningen van de radiologen gemakkelijk kunnen leren.
Dankzij wearables kunnen metingen in het ziekenhuis comfortabeler gemaakt worden voor de patiënt én kan de patiënt ook thuis opgevolgd worden. Het mooiste voorbeeld daarvan is slaaponderzoek. Nu moet je daarvoor een dag naar het slaaplabo – een dure aangelegenheid. Maar stel dat je in de plaats daarvan een maand lang sensoren draagt terwijl je in je eigen bed kan slapen. Zelfs als die sensoren niet zo nauwkeurig zijn als degene die vandaag in het ziekenhuis gebruikt worden, dan nog zal het resultaat betrouwbaarder zijn omdat je de metingen in een realistische omgeving doet, en voor langere tijd.
Een ander mooi voorbeeld is het monitoren van premature baby’s op een neonatale intensieve verzorgingseenheid. Voor hen is het niet alleen comfortabeler om met wearables (of bv. sensoren in de matras) opgevolgd te worden, maar ook van levensbelang. Samen met de afdeling neonatologie UZ Leuven onderzoekt BioMED de oorzaken van stress bij deze baby’s.
Als baby’s stress hebben in de eerste weken en maanden van hun ontwikkeling – bv. door het moeten dragen van allerlei meetapparatuur en bedrading – heeft dit een invloed op hun (hersen)ontwikkeling. Door wearables te gebruiken, kunnen ze zich dus normaler ontwikkelen.
Wearables zullen zeker niet altijd de vorm aannemen van een toestelletje dat je op je lichaam draagt. Evengoed kan het om sensoren gaan die in je bed of in je autozetel geïntegreerd zijn. Bij je auto kan je dan de optie ‘gezondheidscheck’ nemen net zoals je vandaag voor zetelverwarming kiest. Vergelijk het met je smartphone. Die gebruikte je vroeger enkel om te telefoneren en nu voor zoveel meer. Je auto zal ook meer worden dan enkel een voertuig om je van punt A naar B te brengen!
Imec ontwikkelde sensoren die in een autozetel kunnen geïntegreerd worden om ademhaling en hartslag te meten. Het is alvast een voorproefje op een toekomst waarin we een gezondheidscheck krijgen in onze auto. En ingebouwd in je eigen matras laten ze toe je slaapkwaliteit te meten en stoornissen zoals apneus vroegtijdig te detecteren. BioMED ontwikkelt met UZ Leuven zo’n slaapcheck.
Maar er zal meer nodig zijn dan goede hardware en software om deze toekomst waar te maken. Vandaag merken onderzoekers al dat het niet eenvoudig is om dokters te overtuigen om mee te werken aan onderzoek naar het gebruik van wearables voor bepaalde ziektes. Hoe komt dat? Allereerst omdat de wearables betrouwbaar moeten zijn, en geen ‘gadgets’. Certificatie zal dus heel belangrijk worden om een echte doorbraak waar te maken.
Maar daarnaast is het ook een feit dat dokters gewoon geen tijd hebben om zich te verdiepen in de massa data en de specifieke interface van elke wearable. Het wordt daarom belangrijk om de opleiding van dokters aan te vullen met meer technische vakken en ook kennis rond AI te ontwikkelen. Maar dan nog zal een gespecialiseerd team van biomedische ingenieurs de dokters moeten bijstaan om met deze nieuwe bron van informatie om te gaan. Immers, een dokter moet zich met de patiënt kunnen bezig houden, en niet opgeslokt worden door computerwerk en massa’s data.
Ook naar terugbetaling toe en op het vlak van businessmodel zal alles moeten herbekeken worden als we wearables zo snel mogelijk willen gaan gebruiken in de dagelijkse praktijk van de huisdokter en specialist. Kopen we de wearable bv bij de apotheker en gooien we hem weg na gebruik? Of is het iets dat we huren bij ons ziekenfonds? Of krijgen we het mee in het ziekenhuis en leveren we het daar terug af aan een team dat alles desinfecteert en reboot voor de volgende patiënt?
Een prototype van een sensorpleister, ontwikkeld door imec en Holst Centre. Het is een mooi voorbeeld van hoe een toekomst met wearables er zou kunnen uitzien: de gebruiker koopt een (goedkope) pleister bij de apotheker en gooit die na gebruik weg, net zoals een zwangerschapstest vandaag.
Tot zover de toekomstvisie. Maar waar staan we vandaag? En meer bepaald, welke ontwikkelingen van BioMED lichten al een tipje van de sluier over hoe we wearables en AI gaan kunnen gebruiken voor onze gezondheid?
Een pen oprapen met een sensor
Reuma is een ziekte die veel voorkomt en waarvan de evolutie nauwgezet in het oog gehouden wordt. Vandaag gebeurt dat door de patiënt op regelmatige tijdstippen enkele standaardoefeningen te laten uitvoeren bij de kinesist die vervolgens zijn scoreblad invult met de chronometer in de hand. Wat als ...
Je deze oefeningen niet meer moest doen maar een wearable rond je bovenarm herkent wanneer je je sokken aandoet, de trap oploopt, iets opraapt, ...
Dit zijn immers ook de handelingen die worden nagebootst in de oefeningen. De afdeling reumatologie UZ Leuven ontwikkelde samen met BioMED zo’n meetsysteem bestaande uit een sensorarmband met accelerometer die dankzij BioMED’s vernuftige wiskundige modellen specifieke handelingen herkent in het dagelijkse leven van de patiënt, de tijd opmeet die de patiënt erover doet om ze uit te voeren en dit vertaalt naar een score, net zoals vandaag in het ziekenhuis gedaan wordt.
De wearable wordt nog uitgebreid met hartactiviteitsmeting (ECG) om de handelingen nog beter te herkennen. Het voordeel voor de patiënt is dat hij/zij niet meer zo vaak naar het ziekenhuis moet. Voor de dokter is het een voordeel dat de oefeningen meer het echte leven reflecteren en niet dat ene moment bij de dokter waarop de patiënt extra zijn best doet. Ook zijn er veel meer meetpunten die over langere tijd worden opgemeten.
Met deze eenvoudige wearable en slimme algoritmes kunnen bv. reumapatiënten thuis opgevolgd worden.
Wiskunde helpt een tumor weg te halen
Het hoeft niet altijd om wearables te gaan. Dezelfde wiskundige modellen die wearables slimmer kunnen maken, kunnen ook gebruikt worden om de dokters meer informatie te geven om hun werk juist uit te voeren. Bijvoorbeeld: het weghalen van een tumor. Nu worden daarvoor MRI-beelden gemaakt met een Magnetische Resonantie (MR) scanner. Op de beelden identificeert de dokter dan het tumorweefsel dat moet weggesneden worden.
De samenstelling van tumor- en gezond weefsel is verschillend en dat kan je zien in het spectrum van een stukje weefsel, opgemeten in dezelfde scanner met MR Spectroscopie. Wanneer je dit opmeet in elk stukje MRI-beeld, spreekt men van MRSI (magnetic resonance spectroscopic imaging). Als je nu, dankzij wiskundige modellen, voor elk stukje MRI-beeld, het spectrum van het onderliggend weefsel kan herkennen, kan de dokter nog beter het gezonde van het kwaadaardige weefsel onderscheiden, en kunnen er zelfs gradatieverschillen in kwaadaardigheid binnen in de tumor gezien worden.
Omdat alleen een spectroscopist zin kan maken uit de spectrale beelden, heeft BioMED de spectrale informatie omgezet in vingerafdrukken die overeenstemmen met herkenbare weefsels en per weefseltype worden ingekleurd op het MRI-beeld. Hierdoor wordt de tumor en zijn omgeving gemakkelijker interpreteerbaar voor radiologen. De algoritmes zijn nu klaar om omgezet te worden in een product dat door ziekenhuizen kan gebruikt worden en MRSI nog gebruiksvriendelijker te maken voor radiologen. De software werd, samen met de radiologieafdeling van UZ Leuven en Gent reeds uitgetest op herkenning van hersentumoren.
Wiskundige modellen kunnen ervoor zorgen dat op een MRI-beeld kleuren worden aangebracht volgens het spectrum van het onderliggende weefsel. Immers, dit spectrum is een soort van vingerafdruk voor de samenstelling ervan en kan meer in detail normaal van tumor- en afgestorven weefsel onderscheiden.
Epilepsie wegsnijden
Sommige epilepsiepatiënten zijn niet geholpen met medicatie. Als de aanval lokaal ontstaat (focale epilepsie), dan kunnen deze patiёnten geholpen worden door dat bepaald gebied in de hersenen chirurgisch te verwijderen.
Patiënten blijven typisch een week in het ziekenhuis voor pre-chirurgische evaluatie waarbij ze allerlei testen ondergaan om dit hersengebied zo goed mogelijk te lokaliseren. Er worden EEG-metingen gedaan door elektrodes op het hoofd te plaatsen die elektrische potentiaalverschillen (gegenereerd door de hersenen) opmeten met hoge tijdsresolutie. Ook functionele MRI (fMRI) levert belangrijke informatie en laat met hoge ruimtelijke resolutie zien welke hersengebieden actief zijn.
Maar wat als je EEG en fMRI combineert en samen opmeet in een MR-scanner? Dankzij hun complementaire eigenschappen in resolutie maakt deze EEG-fMRI fusie het mogelijk om epileptische activiteit beter te lokaliseren: zowel in tijd als ruimte.
Keerzijde van de medaille is echter dat deze EEG-meting in een MR-scanner bijkomende artefacten opwekt die de kwaliteit van de metingen aantast.
BioMED werkte samen met o.a. de afdeling neurologie UZ Leuven algoritmes uit waardoor het ‘epilepsie’hersengebied beter kan gelokaliseerd worden door EEG en fMRI te combineren en artefacten te verwijderen. Een softwareplatform is nu klaar maar moet multicentrisch verder getest worden alvorens deze software klinisch bruikbaar is.
Een ‘hoorapparaat’ voor epilepsie
Als je een oplossing tot bij de patiënt wil brengen, is het natuurlijk altijd goed om van bij het begin een bedrijf aan boord te hebben. Dat gebeurde in het zeer succesvolle imec.icon-project SeizeIT. Samen met drie bedrijven UCB, Byteflies en Pilipili en de afdelingen neurologie en kinderneurologie van UZ Leuven, werkte BioMED een wearable uit voor epilepsiepatiënten. De wearable lijkt op een hoorapparaat dat achter beide oren gedragen wordt. Door metingen van hersen-, hart- en bewegingsactiviteit te combineren, kunnen epilepsieaanvallen gedetecteerd worden.
Het ‘hoorapparaat’ dat binnen het SeizeIT-project ontwikkeld werd en dat epilepsieaanvallen kan detecteren. Dit is belangrijk voor de opvolging van patiënten en voor de ontwikkeling van geneesmiddelen.
Meer weten?
- Ben je een bedrijf en ben je geïnteresseerd in de commercialisatie van een van deze resultaten, of in een onderzoeks-samenwerking? Laat het weten via ons contactformulier.
- Wil je graag een van onderstaande papers ontvangen met meer technische info over onderwerpen die in dit artikel besproken worden? Laat het weten via ons contactformulier.
A novel algorithm for the automatic detection of sleep apnea from single-lead ECG
Complexity and nonlinearities in cardiorespiratory signals in sleep and sleep apnea
Accelerometry-Based Activity Recognition and Assessment in Rheumatic and Musculoskeletal Diseases
Interval coded scoring: a toolbox for interpretable scoring systems
Recognition of Physical Activities from a Single Arm-worn Accelerometer: a Multiway Approach
Clinical Decision Support: Interpretability and Applications in Patient Monitoring
Neonatal Seizure Detection Using Deep Convolutional Neural Networks
Quiet Sleep Detection in Preterm Infants using Deep Convolutional Neural Networks
Development of a Neonatal EEG Monitor for Automated Brain Analysis, PhD thesis
A brain-age model for preterm infants based on functional connectivity
Evaluation of a Multichannel Non-Contact ECG System and Signal Quality Algorithms for Sleep Apnea Detection and Monitoring
Probabilistic cardiac and respiratory-based classification of sleep and apneic events in subjects with sleep apnea
Comparison of unsupervised classification methods for brain tumor segmentation using multi-parametric MRI
Semi-automated brain tumor segmentation on multi-parametric MRI using regularized non-negative matrix factorization
Unsupervised and semi-supervised non-negative matrix factorization methods for brain tumor segmentation using multi-parametric MRI data, PhD thesis
Learning from structured EEG and fMRI data supporting the diagnosis of epilepsy, PhD thesis
A prospective fMRI-based technique for localizing the epileptogenic zone in presurgical evaluation of epilepsy
Tensor decompositions and Data Fusion in Epileptic EEG and fMRI Data
Online Automated Seizure Detection In Temporal Lobe Epilepsy Patients Using Single-Lead ECG
Automated Epileptic Seizure Detection Based on Wearable ECG and PPG in a Hospital Environment
Comparison between scalp EEG and behind-the-ear EEG for development of a wearable seizure detection system for patients with focal epilepsy
Epileptic Seizure Detection in a Home Environment, PhD thesis
Adaptive Nocturnal Seizure Detection Using Heart Rate and Low-Complexity Novelty Detection
Online Automated Seizure Detection In Temporal Lobe Epilepsy Patients Using Single-Lead ECG
In dit artikel werden slechts enkele onderzoeksonderwerpen van BioMED belicht. Voor het volledige verhaal verwijzen we graag naar de BioMED-website.
