Gezondere mensen met biomedische en digitale gezondheid

Het ontwikkeltraject van nieuwe medicijnen kost veel tijd en geld. Dit kan beter met voorspellende tools en modellen in het preklinische traject en met beter design van klinische trials. Bij TNO ontwikkelen we translationele modellen, meet- en modellingtools die ontwikkelaars van medicijnen helpen om de effectiviteit en veiligheid van hun producten doelmatiger te onderzoeken. Dit verlaagt onder andere de uitval, en daarmee de kosten, van medicijnen in een latere fase van de ontwikkeling.

Om te voorspellen waarom iemand ziek wordt, onderzoeken we hoe deze ziekte ontstaat en zich ontwikkelt. We kunnen een selectie van metabole en immuunziekten eerder detecteren én voorspellen hoe deze zich ontwikkelen voor een bepaald individu. Hiervoor gebruiken we kennis over biomarkers. Dat zijn indicatoren die onder andere in bloed meetbaar zijn. Ook gebruiken we inzicht in ziektemechanismen en in het gedrag van mensen.

Elke individu is uniek. Of iemand met overgewicht diabetes en andere complicaties krijgt, hangt af van factoren als leefstijl, omgeving, metabolisme en genetica. Het is niet simpelweg ‘one size fits all’. Een bepaalde interventie die bij de ene patiënt werkt, werkt mogelijk niet bij een andere patiënt. Met onze brede én diepgaande biomedische kennis helpen we bedrijven en zorgprofessionals om gepersonaliseerde interventies te ontwikkelen op het gebied van metabole en immuungezondheid.

We zoeken continu naar nieuwe inzichten en technologieën om dierproeven zo effectief mogelijk in te zetten en deze te verfijnen, te verminderen en waar mogelijk te vervangen. De diermodellen die we inzetten zijn zo ontwikkeld dat ze ziekteprocessen in de mens aantoonbaar goed nabootsen. Daarnaast gebruiken we proefdiervrije modellen, zoals computermodellen en organ-on-a-chip technologie. Hiermee kunnen we de ontwikkeling van nieuwe producten verbeteren en versnellen. Voor alle preklinische modellen is het voor ons essentieel dat we weten welk deel van de menselijke fysiologie goed wordt nagebootst en welk deel niet of direct in mensen testen.

Mensen verzamelen tegenwoordig veel gezondheidsdata met apps die bijvoorbeeld hartslag, dagelijkse activiteit of voeding registreren. Deze data is waardevol voor zowel de gebruikers als wetenschappers. Met deze data ontwikkelen we bijvoorbeeld modellen en adviessystemen. Hiermee ondersteunen en adviseren we patiënten en gezonde personen over hun gezondheid en leefstijl. Gebruikers geven zelf aan wie voor welke doeleinden welke data mag gebruiken. Transparantie leidt tot vertrouwen, en veilige dataopslag is cruciaal.

Binnen Digital Health werken we met 3 programmalijnen:

1. Sense: verkrijgen, veilig opslaan en managen van data
2. Reason: modeleren en interpreteren van data
3. Act: interacteren met individuen met apps, interventies ontwikkelen om gedrag te veranderen

Voor alle 3 de lijnen en de ontwikkeling van tools zijn 4 principes van belang (pdf):

1. De verzameling, analyse en advies van Digital Health moet persoonlijk zijn. Want iedereen heeft een andere genetica, historie en voorkeuren. En iedereen heeft andere behoeften om gezond te blijven.
2. Om te komen van data naar adviezen zijn geldige en betrouwbare predictiemodellen voor gezondheid en ziekten nodig. Hiervoor integreren we grote gezondheidsdatabases en domeinkennis met kunstmatige intelligentie (AI) en andere modeleringstechnieken.
3. Goede ontsluiting van eigen data en connecties met publieke data is cruciaal om goede modellen te ontwikkelen.
4. Gegevens moeten heel goed beschermd en beveiligd te worden.