Terug naar het overzicht

High Dimensional Joint Models for the Dynamic Prediction of Outcome after Kidney Transplantation

Projectcode 19OK003 Projectleider dr. Jan van den Brand Projecttype Kolff Organisatie Radboudumc - Afd. Nierziekten Toegekend bedrag € 65 000,00 Startdatum 1-07-2020 Looptijd 12 maanden Status Lopend

Doel

Het verder ontwikkelen van een strategie voor joint modellen zodat de technologie in de klinische praktijk kan worden toegepast om een goede voorspelling te maken van ziekteprogressie/gezondheidsuitkomsten. Op korte termijn het ontwikkelen van een nieuw voorspellingsmodel voor het voorspellen van nierfalen en overlijden in niertransplantatiepatiënten. Op de lange termijn, echt gepersonaliseerde gezondheidszorg voor het verbeteren van individuele patiëntuitkomsten tegen lagere maatschappelijke kosten.

Samenvatting

Full Fellowship Abroad Grant

Geneeskunde op maat (personalised medicine) is het afstemmen van gezondheidszorg op de individuele patiënt. Personalized medicine na een niertransplantatie is mogelijk door op bepaalde momenten biomarkers te meten. Biomarkers zijn stoffen in het bloed en urine, zoals bijvoorbeeld creatinine. Artsen gebruiken de waarden van biomarkers om te bepalen hoe de getransplanteerde nier functioneert. Ook gebruiken artsen het beloop van biomarkers om behandelkeuzes te maken, bijvoorbeeld het wel of niet afnemen van een nierbiopt. Om de waarden van veel biomarkers tegelijk te interpreteren, zijn er voorspellende statistische modellen nodig. Artsen kijken naar het beloop van biomarkers maar tot nu toe zijn er alleen modellen ontwikkeld die data uit een momentopname gebruiken om een voorspelling te doen. De voorspellende modellen sluiten dus niet goed aan bij de praktijk. In het eerste deel van het onderzoek zal de onderzoeker statistische technieken ontwikkelen om het beloop van veel biomarkers tegelijk te gebruiken in voorspellende modellen. Met deze technieken zal de onderzoeker in het tweede deel van het onderzoek een model maken wat transplantaatfunctie, acute afstoting, en transplantaatfalen kan voorspellen aan de hand van het beloop van veel verschillende biomarkers. Hiervoor gebruikt de onderzoeker een bestaande database van 1000 patiënten uit Leuven. Deze database bevat relevante donor en ontvanger kenmerken, belangrijke uitkomstmaten, meer dan 70.000 nierfunctiemetingen en meer dan 40.000 urine analyse metingen. Het model wordt vervolgens getoetst met data uit het RadboudUMC. In overleg met patiënten zal men kijken hoe en wie deze voorspellingen het best kan presenteren. Een van de opties is het ontwikkelen van een app voor artsen en patiënten.

Vraag/Doelstellingen:
1. Het ontwikkelen van een statistisch model om gegevens over de tijd (herhaalde metingen) te analyseren.
2. Het toepassen van dit model voor het ontwikkelen van een voorspellingsmodel voor nierfunctie in mensen met een niertransplantaat.

Trefwoorden

Soort: identificatie, reeds beschikbare data
Onderwerp: personalised medicine, transplantaatfunctie, biomarkers, voorspellingsmodel