Bij het bevolkingsonderzoek naar borstkanker is meer maatwerk nodig, vindt gezondheidswetenschapper en epidemioloog prof. dr. Mireille Broeders, werkzaam als hoogleraar Gepersonaliseerde kankerscreening aan het Radboudumc, Nijmegen. Beter personaliseren van de borstkankerscreening is nodig om bij vrouwen met een hoog risico te voorkomen dat tumoren te laat worden ontdekt. Bij vrouwen met een heel laag risico kan preciezere screening juist ervoor zorgen dat ze minder nadelen van de screening ervaren, zoals fout-positieve verwijzingen.
Mireille Broeders is al decennialang betrokken bij onderzoek naar de effectiviteit van het bevolkingsonderzoek borstkanker. In de achterliggende jaren rijpte het idee dat verdere individualisering van deze kankerscreening wenselijk is. “Je wilt de screening voornamelijk inzetten bij de groep vrouwen die daar het meeste baat bij zal hebben. Gezien de huidige ontwikkelingen in de gezondheidszorg en de kosten die screening met zich meebrengt, kunnen we niet onbeperkt inzetten op meer screenen. Vergelijk het maar met de ontwikkelingen in de kliniek, waar de behandelingen ook steeds meer op maat worden geboden. De tijd is hier rijp voor. Sinds 2020 werk ik in het kader van mijn leeropdracht aan het personaliseren van kankerscreening.”
Overwegingen
Vanuit die opdracht overweegt en onderzoekt Broeders wat er anders zou moeten om het bevolkingsonderzoek naar borstkanker effectiever en efficiënter te maken. Ze noemt een aantal overwegingen, die wat haar betreft nog niet uitgekristalliseerd zijn. “Wil je sommige mensen pas vanaf een eerdere of latere leeftijd uitnodigen? Is het wel nodig om alle vrouwen tot 75-jarige leeftijd te screenen? Kan het screeningsinterval bij vrouwen met een heel laag risico worden verlengd? Bij sommige vrouwen is borstkanker met mammografie niet goed vast te stellen, omdat ze dicht borstweefsel hebben. Bij hen is de sensitiviteit van het bevolkingsonderzoek lager. Dergelijke elementen wil je meenemen om de borstkankerscreening efficiënter te maken. In zekere zin personaliseren we al een beetje bij het bevolkingsonderzoek in zijn huidige vorm, omdat we dit uitvoeren binnen een bepaald leeftijdsraam.”
PRISMA-onderzoek
Om een basis te leggen voor personalisering van de borstkankerscreening, startte Broeders in 2014 het PRISMA-onderzoek, waarbij PRISMA staat voor Personalised RISk-based MAmmascreening. De bedoeling hiervan was om risicofactoren te verzamelen die helpen om vrouwen te kunnen categoriseren naar risico op borstkanker.
“Tot 2019 hebben we bij een groep vrouwen zoveel mogelijk informatie verzameld over voorspellende risicofactoren: ruim 38.000 deelneemsters hebben een vragenlijst ingevuld en ruim 10.000 deelneemsters stonden hun bloed af. Daaruit is DNA gehaald voor het bepalen van de polygenetische risicoscore. Dit DNA ligt samen met serum en plasma in de vriezer, in de hoop dat er een moment komt waarop er een voorspellende biomarker wordt gevonden. Ook vroegen we of we onbewerkte mammogrammen mochten bewaren, om bijvoorbeeld de borstdensiteit te kunnen meewegen bij de risicobeoordeling. Daarvoor kregen we van meer dan 67.000 vrouwen toestemming. Helaas is er, zo blijkt uit de literatuur, tot nog toe geen geschikte voorspellende biomarker gevonden. Uit een aantal klinische studies is wel gebleken dat er biomarkers zijn die aan kunnen geven of iemand borstkanker heeft. Maar biomarkers die borstkanker kunnen voorspellen, zijn nog niet gevonden. Dus daarbij zijn we minder ver dan we hadden gehoopt.”
Modellen
De winst die de PRISMA-studie opleverde bestond uit het in kaart brengen van een hoop risicofactoren die verband houden met borstkanker. Nu is van belang om met deze factoren vrouwen te kunnen indelen naar risico en hier het screeningsprogramma op aan te passen. Maar zover is het op dit moment nog niet, geeft Broeders aan. “Factoren die het risico verhogen of verlagen, zijn bijvoorbeeld leefstijl, familiegeschiedenis, hoeveel kinderen iemand gekregen heeft, de leeftijd bij de eerste zwangerschap, de leeftijd van de eerste menstruatie en genetische componenten. We hebben deze risicofactoren verzameld en ingevoerd in vier bestaande risicopredictiemodellen. Deze modellen zijn echter vooral ontworpen voor genetische counseling. De kunst is om deze zodanig aan te passen dat ze ook het borstkankerrisico accuraat voorspellen in de screening.”
Onvoldoende
Broeders testte deze modellen door de gevonden risicofactoren er in te stoppen en de uitkomsten te toetsen aan gegevens van de Nederlandse Kankerregistratie (NKR). De modellen bleken nog niet goed in staat om onderscheid te maken tussen vrouwen die wel of geen borstkanker krijgen. De diagnostische waarde van de modellen, bepaald met de area under the receiver operator characteristic-curve (AUCROC), komt tot een AUC-waarde van 0,6-0,7. “Dat is nog ver af van het perfecte model dat op een AUC-waarde van 1,0 zou komen en onvoldoende voor een betrouwbare voorspelling. Dergelijke waarden zien we ook in buitenlandse studies.”
Een betere voorspelling is te bereiken met kunstmatige intelligentie (AI), zegt Broeders. “Door AI te voeden met mammogrammen van vrouwen met en zonder borstkanker, kan de AI op basis van een mammogram voorspellen of een vrouw borstkanker krijgt. Dat geeft een AUC van ongeveer 0,8, een betrouwbaardere voorspelling dus. AI kan afwijkingen op mammogrammen tot op pixelniveau onderscheiden, een nauwkeurigheid die het menselijk oog niet haalt.”
DENSE-studie
Een belangrijk onderzoek dat de weg naar individualisering van de borstkankerscreening verder plaveit, is de DENSE-studie, vertelt Broeders.1 “We weten dat 8% van de vrouwen een zeer hoge borstdensiteit heeft, waardoor met mammografie tumoren worden gemist. Deze vrouwen lopen extra risico dat de tumor bij hen – te – laat wordt ontdekt. De mate van borstdensiteit is een onafhankelijke risicofactor voor borstkanker. Uit de DENSE-studie bleek dat bij vrouwen met extreem dicht borstweefsel mammografie niet alle borstkankergevallen aan het licht bracht; op de 1.000 vrouwen die een aanvullende MRI kregen, werden nog 16,5 gevallen van borstkanker opgespoord die tijdens de mammografie niet waren ontdekt. Je zou bij deze vrouwen gevoeligere diagnostiek willen inzetten, zoals een verkorte MRI of contrastmammografie. Daarom is de DENSE-2-studie net gestart, waarin gekeken wordt naar deze twee modaliteiten.2 Deze studie wordt, evenals de DENSE-studie, geleid door epidemioloog prof. dr. Carla van Gils vanuit het UMC Utrecht. Vrouwen met extreem dicht borstweefsel zijn in feite een risicogroep die je in de borstkankerscreening intensiever zou willen volgen, met name met aanvullende of andere beeldvorming.”
Uitdagingen
Verdere individualisering van het bevolkingsonderzoek naar borstkanker brengt de nodige uitdagingen met zich mee, zegt Broeders. “Een praktisch punt is de logistiek. Nu rijden de bussen elke twee jaar hetzelfde rondje. Maar wil je bij een hoog-risicogroep een onderzoek met contrast doen, dan kan dat niet in de bus, maar moet de vrouw naar het ziekenhuis, met het oog op een mogelijke allergische reactie. Bij vrouwen met een extreem laag risico kan de screeningsfrequentie mogelijk omlaag. Ook dat vergt aanpassing van de logistiek. Over dit soort aspecten zijn het RIVM en het ministerie van VWS aan het nadenken.
Een andere uitdaging is de uitleg aan de vrouwen die de screening ondergaan. “Hoe leg je uit dat de buurvrouw een ander programma volgt? Een langer screeningsinterval bij vrouwen met een laag risico kan een gevoel van onveiligheid geven. Dat zal weerstand geven in de maatschappij. Je zult daarvoor dus stevig bewijs moet leveren. Mensen met een verhoogd risico zullen daarentegen juist blij zijn met een intensievere screening. Hoe dan ook, ik verwacht dat we binnen nu en tien jaar belangrijke stappen gaan zetten naar personalisering van de borstkankerscreening.”
Referenties
1. Bakker MF, et al. N Engl J Med 2019;381:2091-102.
2. Vroege Opsporing Proefbevolkingsonderzoek CEM – 2023. Te raadplegen via www.zonmw.nl/nl/subsidie/vroege-opsporing-proefbevolkingsonderzoek-cem-2023
Drs. Marc de Leeuw, wetenschapsjournalist
Oncologie Up-to-date 2024 vol 15 nummer 1
DEEL DIT ARTIKEL:
