Mijnheer de rector, geachte aanwezigen, welkom.

Also a warm welcome to our colleagues from the US. Sorry, I forgot to mention, this lecture will be in Dutch. To make this slightly more bearable for you, many slides will be in English.

Laten we bij het begin beginnen, in dit geval de titel: “Real time evidence from real life data in personalized medicine research“

De laatste vier woorden van deze titel geven de context aan. Het gaat om personalized medicine;

het concept staat in dit simpele plaatje uitgelegd. Als we bij iedere individuele patiënt beter begrijpen wat er biologisch mis is, dan kunnen we de behandeling preciezer richten op het eigenlijke probleem. Dus behandeling op maat in plaats van “one size fits all” confectie geneeskunde.

Als voorbeeld, wanneer we van de tumorcellen van een specifieke patiënt precies weten welke schakelaar stuk is, dan kunnen we steeds vaker succesvol gaan behandelen met een geneesmiddel dat precies op die schakelaar aangrijpt.

Prachtig concept dus, personalized medicine, maar werkt het nu altijd zo mooi? Er is geen behandeling op maat zonder diagnostiek op maat en dat is precies het terrein van de pathologie.

Maar meer dan 90% van de diagnostiek in de pathologie gebeurt vandaag de dag nog steeds met een methode die is gebaseerd op sterk water, kaarsvet, waterverf en een instrument dat werd uitgevonden in de 17e eeuw, de microscoop. En dat is de HE coupe. Deze reality check is toch wat verontrustend.

Laten we nog even teruggaan naar die geneesmiddelen. Wordt daar het succes van personalized medicine nu alleen verklaard doordat we die ziektemechanismen beter snappen? Het antwoord is nee. Er speelt nog iets anders mee. Personalized medicine research werkt alleen als aan beide kanten van dit schema de zaken goed op orde zijn. Dus aan de rechterkant snappen we precies hoe het geneesmiddel aangrijpt op de schakelaar, maar om te meten of en hoe effectief dat is voor de individuele patiënten zijn ook de juiste data over het ziektebeloop bij die patiënten nodig. En daar wordt bij geneesmiddelen onderzoek heel veel tijd, aandacht en geld aan besteed. Hiervoor zijn praktijkstandaarden, autoriteiten die dit in de gaten houden zoals FDA en EMA, en het data management is professioneel georganiseerd.

Hoe gaat dat bij biomarker onderzoek? Oftewel onderzoek om bij een individuele tumor te kunnen zien welke schakelaars precies stuk zijn. Dan is de situatie heel anders. We hebben allerlei hele krachtige methoden om met hoge precisie afwijkingen op DNA, RNA, eiwit en metaboliet niveau te kunnen meten. Dat levert ook allerlei prachtige “proof of concept” publicaties op in vooraanstaande tijdschriften, maar het tempo waarmee dit voor patiënten iets oplevert blijft achter bij de hoge verwachtingen die we hadden toen in 2001 de kaart van het humane genoom werd gepresenteerd als basis voor de oplossing van ziekte. Een belangrijke reden is simpelweg het ontbreken van de hele systematiek, hier aan de linkerkant van de dia, die nodig is voor het verkrijgen van hoge kwaliteit hoge resolutie fenotype data bij dit soort onderzoek.

En dat is niet nieuw voor de diagnostiek wereld. De pathologie literatuur en tekstboeken staan vol met gedetailleerde beschrijvingen van microscopische morfologie, maar de kwaliteit van de bijbehorende klinische data haalt niet de standaard van het geneesmiddelen onderzoek. Het gevolg is dat het niveau van bewijs uit deze studies vaak onvoldoende is om genoeg impact te hebben op het verbeteren van de zorg voor patiënten.

Dat brengt ons terug bij de titel. Als we die zin verder ontleden is “real time evidence” het lijdend voorwerp, de zaak waar het om draait. Waarom is de term “bewijs” zo belangrijk dat het zo prominent in de titel van een oratie staat?

In de wetenschap doen we experimenten om bewijzen te verzamelen om onze hypotheses te verwerpen, maar in de praktijk nog veel liever om ze te onderbouwen. In de geneeskunde heeft het woord evidence bovendien nog een extra dimensie.

Het streven is om alleen diagnostiek en behandelingen aan te bieden aan patiënten, waarvan de effectiviteit is bewezen; oftewel “evidence based medicine”. Dit in tegenstelling tot “authority based medicine”, d.w.z. “de dokter die het meeste autoriteit uitstraalt zal het wel weten”, of erger nog, in tegenstelling tot kwakzalverij, een fenomeen dat helaas nog niet tot het verleden behoort.

Onderzoekers denken soms dat zo gauw ze een artikel hebben gepubliceerd, het probleem is opgelost. Dat zouden we wel willen, maar zo simpel werkt het echter niet. Hoe werkt het dan wel? Dan moeten we eerste eens naar het einddoel kijken, en dan terugwerken. “Always begin with the end in mind”.

Als we met z’n allen willen dat de uitkomsten van patiënten in de toekomst beter zijn dan vandaag, dan zullen we dus de huidige praktijk moeten veranderen. Dat betekent dan ook dat de richtlijnen moeten veranderen waarop onze behandelpraktijk is gebaseerd, en daarvoor is bewijs van effectiviteit nodig. Bewijs dat de nieuwe aanpak beter is dan de huidige. En tegenwoordig willen dan ook nog weten of die verbetering tegen aanvaardbare kosten gerealiseerd kan worden, oftewel is de vernieuwing kosteneffectief? Dat bewijs moet komen uit wetenschappelijk onderzoek en betreft de hele ontwikkelketen, vanaf de biologie van het ziektemechanisme, via de technische ontwikkeling van een diagnostische test of behandeling, naar de klinische validatie.

Zoals u in dit plaatje kunt zien is dit een lange en kronkelige weg, en als het onderzoekers al lukt om die weg compleet af te leggen dan duurt het vaak heel lang. Voor een geneesmiddel al gauw een jaar of tien, voor diagnostische testen, zeker wanneer die niet gekoppeld zijn aan een geneesmiddel, kan het decennia duren. Het ontwikkelen en implementeren van de HPV test voor de screening van baarmoederhalskanker heeft meer dan 30 jaar geduurd! Dat is heel wat anders dan “real time”. Dit illustreert op dramatische wijze dat hier iets niet goed gaat.

Het lukt ons onvoldoende goed om nieuwe kennis van ziekte te vertalen naar nieuwe diagnostiek of behandeling, zeker wanneer er geen winstgevend business model achter zit, zoals wel het geval is bij geneesmiddelontwikkeling. Dit fenomeen noemen we de innovatiekloof in het biomedisch onderzoek.

Het probleem is kort gezegd dat bewijs dat goed genoeg is om een artikel gepubliceerd te krijgen in een wetenschappelijk tijdschrift, niet per definitie voldoende is om richtlijnen aan te passen. Omgekeerd, hoe krachtiger het bewijs is, hoe sneller dat zal leiden tot aanpassing van richtlijnen. Maar het doen van dat soort studies is behoorlijk complex. Het is veel makkelijker om andere studies te doen. Die leveren dan misschien niet het hoogste niveau van bewijs op, maar ze leveren wel een publicatie op, en dat is ook belangrijk, voor wetenschappers.

Het gevolg, de meeste studies halen niet niveau 1, de bulk zit op niveau 4. Door deze mengelmoes aan kwaliteit van bewijzen hebben richtlijncommissies handen vol werk om het kaf van het koren te scheiden

Laten we darmkanker als voorbeeld nemen. Die richtlijn wordt nu niet real time actueel gehouden. Hoe dan wel? Nou, dat is een hele exercitie. Eens in de paar jaar worden bestaande richtlijnen gereviseerd. Daartoe wordt dan een multidisciplinair team samengesteld. Zo’n team heeft dan de zware taak om te zien voor welke problemen bij de diagnostiek en behandeling van darmkanker er sinds de vorige revisie, in de wetenschappelijke literatuur, voldoende hoge kwaliteit bewijs is bijgekomen om tot nieuwe diagnostiek- of behandeladviezen te komen.

U zou misschien denken dat er bij de vorige revisie van de richtlijn een lijst was opgesteld van “unmet clinical needs” waarvoor hoge kwaliteit bewijs nodig is. En dat vervolgens samen met KWF, ZonMW en andere subsidiegevers een actieplan zou zijn gemaakt om met behulp van wetenschappelijk onderzoek precies die vragen te beantwoorden en met de antwoorden de richtlijn aan te passen zodat de klinische praktijk kan veranderen en de patiënten zo snel mogelijk beter gediagnosticeerd en behandeld worden.

Maar ja, zo werkt het niet. Waarom eigenlijk niet? De patiënten zullen er geen bezwaar tegen hebben en volgens mij is het ook voor wetenschappers bevredigender om studies te doen die echt tot veranderingen leiden.

Echter, in de praktijk is de prioritering van wat als eerste onderzocht gaat worden, vaak afhankelijk van de voorkeuren van onderzoekers. Die gaan daarvoor dan een projectvoorstel schrijven. Dat zijn hele epistels, het schrijven kost heel veel werk, terwijl de richtlijncommissie de problemen natuurlijk ook al in kaart had gebracht. Vervolgens is het dan maar te hopen dat de studie wordt ontworpen op een manier zodat die echt de kwaliteit oplevert die nodig is om de richtlijn commissie te overtuigen. Maar voor het zover is moet ook nog de beoordelingscommissie van de subsidiegever overtuigd worden, en dan spelen weer andere argumenten een rol. Heel veel van de methoden in personalized medicine research komen neer op hetzelfde, bijvoorbeeld DNA bepalingen doen, maar toch staat bij wetenschappelijke beoordelingscommissies het criterium “originaliteit” hoog in het vaandel. Dus iedere onderzoeker probeert weer een originele draai aan te geven zijn of haar projectaanvraag, en dat is niet altijd in het belang van het beantwoorden van de eigenlijke vraag. Ik kan heel veel studies bedenken die absoluut niet origineel zijn, maar wel heel nuttig.

Je zou natuurlijk kunnen stellen dat we dan eigenlijk alleen maar prospectieve gerandomiseerde klinische studies zouden moeten doen, maar dat is makkelijker gezegd dan gedaan. Dat soort studies zijn heel kostbaar, moeilijk te organiseren en de praktijk laat zien dat dit soort studies vooral gebeuren wanneer het gaat om nieuwe geneesmiddelen, en dan vaak ook op initiatief van de farmaceutische industrie. Bovendien is ook het systeem van de randomized clinical trials niet zaligmakend. Door het toepassen van strikte selectie criteria komt soms maar 10% van alle patiënten in aanmerking voor deelname aan dit soort studies, terwijl de conclusies van deze studies ook worden toegepast op de overige 90%. Ook zijn er situaties waar gerandomiseerde studies moeilijk of niet zijn toe te passen. Het moet dus anders, en real life data kunnen daarin een belangrijke rol spelen.

We hebben dus een probleem, de innovatiekloof. Als we de aard van het probleem in één woord willen vangen dan is dat “versnippering”, en wel op heel veel fronten tegelijkertijd.

De dataverzamelingen die nodig zijn voor dit onderzoek zijn versnipperd, maar ook de manier waarop data gecodeerd zijn verschilt tussen databanken, er is nog geen compleet telefoonboek van de Nederlandse personalized medicine dataverzamelingen. Regelgeving is versnipperd. Als personalized medicine onderzoeker heb je te maken met een oerwoud aan wetten, maar geen van alle regelt specifiek de do’s & don’ts van PM research. De huidige complexe regelgeving laat veel ruimte voor interpretatie die vervolgens per instellingsjurist vaak weer verschilt. Er is een wildgroei aan software applicaties.

Organisatorisch zijn de onderzoeksinfrastructuren versnipperd. Onderzoeksinfrastructuren zijn bedoeld om het onderzoek te faciliteren. Het zijn nutsvoorzieningen vergelijkbaar met het elektriciteitsnet, het glasvezelnetwerk, de spoorwegen etc. Traditioneel focussen onderzoeksinfrastructuren op technische expertisegebieden zoals biobankieren, bioinformatica, IT ondersteuning etc. Als PM onderzoeker heb je echter vooral behoefte aan ondersteuning van je hele translationele onderzoekproces en wil je eigenlijk een one stop shop, in plaats van een hele reeks specialiteiten zaakjes.

Een derde laag van versnippering komt doorat infrastructuren en onderzoekers in gescheiden werelden leven. Aan de ene kant ontstaan er enorm goede, kwaliteitsgeborgde verzamelingen en services die soms nauwelijks gebruikt worden voor onderzoek, en anderzijds beginnen individuele onderzoekers en projecten vaak weer zelf opnieuw met het aanleggen van databanken en biobanken, inclusief het uitvinden van alle bijbehorende wielen, waarbij alle beginnersfouten weer opnieuw gemaakt worden. Dit alles heeft serieuze consequenties, niet alleen mbt budgetverspilling, maar ook voor de kwaliteit en reproduceerbaarheid van de data die gegenereerd worden, en daarmee, inderdaad, draagt dit weer bij aan het in stand houden van de innovatiekloof.

Het is belangrijk om ons te realiseren dat het onderliggende probleem niet van technische aard is, maar sociaal/cultureel/organisatorisch. Dat betekent ook dat we het probleem niet simpelweg kunnen oplossen door een nieuwe techniek uit de kast te trekken, zoals bijvoorbeeld de buzz words “big data” en “deep learning”, die tegenwoordig vaak als panacee gepresenteerd worden. Wat zijn dan wel die factoren?

Biomedische wetenschappelijk onderzoek lijkt af en toe een soort Olympische spelen in individuele sporten. We houden van individuele wetenschappers hun scores bij, afgemeten aan het gewicht van de auteurspositie bij een publicatie en de status, oftewel de impact factor, van het betreffende tijdschrift. Deze scores zijn belangrijk voor het maken van een academische carrière en het verwerven van onderzoek subsidies. Interessant genoeg wordt deze praktijk inmiddels publiekelijk geassocieerd met psychiatrische stoornissen. Dit is trouwens niet de eerste keer dat de jacht op impact factors wordt geassocieerd met pathologie.

Deze nadruk op individuele excellentie levert allerlei contraproductieve prikkels op, variërend van aarzeling om samen te werken, snelheid laten prevaleren boven kwaliteit, tot meer kwalijker praktijken zoals bochten afsnijden en zelfs data fabricage. Er is natuurlijk niets mis met individuele excellentie, maar in personalized medicine onderzoek levert dat het meeste op wanneer die excellente individuen samenwerken in teams. Subsidiegevers en kennisinstellingen die het overbruggen van de innovatiekloof in het PM en dus ook het kankeronderzoek serieus willen aanpakken, ontkomen er niet aan om team science meer te gaan waarderen.

Ik kan nog wel een tijdje door gaan, maar het korte van het lange is dat we om allerlei redenen, er onvoldoende in slagen om snel bewijslast te leveren dat innovaties klinisch effectief zijn.

Het is ook duidelijk een multifactorieel probleem, wat betekent dat de oplossing ook multifactorieel zal moeten zijn.

Maar voordat we naar de oplossing gaan, eerst nog een intermezzo. Ik vrees namelijk dat ik mij nu toch eerst even zal moeten verantwoorden. Ik heb het steeds maar over EBM, maar dat is inmiddels een besmette term aan het worden. In een recent rapport van de Raad voor Volksgezondheid en Samenleving, en in een bijbehorend assay, wordt onder andere gesteld “het bewijs als basis voor goede zorg is een illusie”. In plaats daarvan pleit de raad voor “context based practice”.

Dat klinkt bijna als het einde van geneeskunde als wetenschap.

Dat er uitdagingen zijn in evidence based en daarmee ook personalized medicine onderschrijf ik van harte, en dat bewijs in context geïnterpreteerd moet worden lijkt me vanzelfsprekend, maar wanneer “bewijs” één op één wordt vervangen door “context” als leidend principe, dan begeven we ons wel op glibberig pad.

Als je uit het RVS rapport de ruis over aantasting van de professionele autonomie, administratielast, kwalitatief onderzoek, en voor mij toch wat wollige terminologie als “morele agora” eerst weg filtert, dan blijven er een aantal zinvolle aspecten over. Zo wordt de vraag “wat heeft de patiënt er aan?” centraal gesteld. Dat kun je natuurlijk prima meenemen als uitkomstmaat in het onderzoek.

Ook benadrukt de RVS het belang van context factoren, en dat overlapt voor een groot deel met de “real life data” uit mijn titel.

Verder onderstreept de raad de noodzaak om het onderzoekssysteem te verbeteren. Prima, want naar mijn mening liggen de uitdagingen in EBM veel meer op het vlak van de uitvoering, dan dat ze te maken hebben met de validiteit van het concept.

“Zeg wat je doet, doe wat je zegt, laat zien hoe goed dat lukt en probeer continu te verbeteren” Deze basisprincipes uit het kwaliteitsmanagement, die in de laboratorium disciplines al lang gemeengoed zijn, kunnen hierbij heel behulpzaam zijn. Dat staat dan jammer genoeg weer niet in het rapport.

Een ander aspect uit dit rapport dat zorgen baart is het nagenoeg volledig ontbreken van de erkenning van de natuurwetenschappelijke basis van ziekte. Woorden als DNA en genomics komen in het rapport niet voor. Ik kan me niet voorstellen dat we over andere grote maatschappelijke uitdagingen zoals klimaat en milieu zulke rapporten zouden produceren zonder de onderliggende natuurwetenschappelijk aspecten te betrekken.

Maar nu snel over naar de oplossing. Het is niet alleen maar kommer en kwel, op veel plaatsen zien we ontluikende oplossingen. Maar die moeten we wel vertroetelen om ze tot wasdom te laten komen en er de vruchten van te kunnen plukken.

Het moge duidelijk zijn dat het anders moet, maar hoe dan?

De oplossing bedenken is niet zo ingewikkeld, de uitvoering des te meer. Als we nu de titel van deze oratie werkelijkheid willen laten worden, dan zijn er eigenlijk maar twee dingen die we hoeven te doen. In de eerste plaats zorgen dat de bruikbaarheid van real life data beter wordt en in de tweede plaats dat de EBM procesketen meer gestroomlijnd wordt.

Eerst het verbeteren van de bruikbaarheid van real life data. Met de term “real life data” bedoelen we data die niet in het kader van een specifieke studie zijn gegenereerd, maar in de praktijk van het dagelijks leven. Dit betreft bijvoorbeeld gegevens over het beloop van ziekte uit het elektronisch patiënten dossier, maar net zo goed data van buiten de ziekenhuizen, uit de huisartspraktijk of data die patiënten zelf verzamelen.

Zorgen dat de bruikbaarheid van real life data beter wordt, betekent dat de kwaliteit van real life data moet gaan voldoen aan dezelfde eisen als die we nu stellen aan de data van studies die sterke bewijskracht hebben. Eigenlijk is het vreemd dat dit niet vanzelfsprekend is, vindt u niet? Is het niet raar dat we een lagere kwaliteit accepteren van de gegevens die we gebruiken als basis voor de behandeling van patiënten in de dagelijkse praktijk, en voor evaluatie van het effect van die behandeling, dan van gegevens in klinische studies?

Verder moeten we zorgen dat die zorg data makkelijk vindbaar, toegankelijk, en koppelbaar, oftewel interoperabel, worden zodat ze efficiënt hergebruikt kunnen worden in PM studies. Hiervoor is de toepasselijke term FAIR de afgelopen tijd heel snel populair geworden: dit acroniem staat voor Findable, Accessible, Interoperable & Reusable.

Een belangrijk aspect is dat data aan de bron zoveel mogelijk gestructureerd worden verzameld, gebruik makend van internationale coderingsstandaarden. Binnen de pathologie zijn we daar al een aantal jaren mee bezig. Daarbij wordt gebruik gemaakt van online invulformulieren. Voor de meest voorkomende tumortypes worden op deze manier data al gestructureerd vastgelegd. Deze data komen terecht in het landelijke geautomatiseerde pathologie archief, PALGA. Van daaruit kunnen deze gegevens bijna automatisch gebruikt worden voor het vullen van bijvoorbeeld de kankerregistratie of kwaliteitsregisters. Zo staan er al van circa 60.000 darmkanker patiënten hoge kwaliteit gestructureerde real life pathologie data in PALGA, en van nog veel meer patiënten met darmpoliepen. Tot mijn collega specialisten van andere disciplines zou ik willen zeggen: “Jullie laten je toch niet op de kop zitten door een stelletje pathologen? Wat wij kunnen, kunnen jullie toch ook?”.

Veel verder zou ik trouwens de onderlinge competitie op het gebied van registraties niet willen aanwakkeren, over het algemeen werkt dat namelijk eerder contraproductief, en helaas kennen we ook daarvan voorbeelden.

Zolang nog niet alle data aan de bron gestructureerd, of ook wel gecodeerd, worden verzameld, zullen we ons real life data kwaliteitsprobleem op een andere manier moeten oplossen.

Wie niet sterk is moet slim zijn, en het voorkomen van dubbel werk is slim. Ik heb u eerder verteld dat voor wetenschappelijk onderzoek data worden verzameld uit patiënten dossiers. Hetzelfde gebeurt voor patiëntenregisters. Redenen om zo’n register aan te leggen zijn kwaliteitsevaluaties, zoals bijvoorbeeld door DICA, het voeren van de landelijke kankerregistratie door IKNL, en het evalueren of dure geneesmiddelen in real life ook zo goed werken als ze in de studies leken te doen. Voor deze laatste toepassing worden registers vaak gefinancierd vanuit de farmaceutische industrie.

Het is natuurlijk zonde om deze data niet ook voor PMR te gebruiken, zeker als we bedenken dat we daar 100 miljoen euro per jaar aan uitgeven. De realiteit is helaas anders.

Denkt u even met me mee, 100 miljoen euro per jaar aan onderzoekdata die grotendeels onbenut blijven. 100 miljoen euro per jaar! Dat staat gelijk aan wat KWF, het grootste gezondheidsfonds, per jaar beschikbaar heeft voor onderzoek subsidies.

Ik geef toe, ik stel het weer te simpel voor. Er zijn allerlei – al dan niet reële – juridische en ethische hobbels, het moet natuurlijk duidelijk zijn wie de baas mag zijn, iedere organisatie heeft zijn eigen beoordelingsprocedure, et cetera. Maar toch!

Een andere insteek is juist het opzetten van dat soort registers voor onderzoek, hoewel we ze dan meestal cohorten of biobanken noemen. Het prospectief landelijk colorectaal carcinoom cohort is daar een prachtig voorbeeld van. De bedoeling is om van alle patiënten met darmkanker levenslang gegevens over het beloop van de ziekte te registreren en ook om lichaamsmateriaal zoals bloed en weefsel te verzamelen. U voelt hem al aankomen, ook als je vanuit het onderzoek start dan moet je voorkomen dat er dubbel werk gebeurt, en dat is hier prima geregeld door de samenwerking met IKNL. De datamanagers van IKNL die in de ziekenhuizen uit de patiëntendossiers de gegevens verzamelen voor de kankerregistratie, verzamelen voor de participerende patiënten tegelijkertijd de gegevens die nodig zijn voor PLCRC.

Als voorbeeld van wat voor studies je op deze manier kunt noem ik graag de ctDNA studie uit ons KWF-StaOpTegenKanker project over Molecular Early Detection of Colorectal Cancer. Eén van de dilemma’s waarmee richtlijn commissies worstelen, is welke patiënten met stadium II darmkanker nog aanvullende chemotherapie nodig hebben na operatie. Stadium II darmkanker heeft een relatief goede prognose, bij zo’n 80% van de patiënten komt de ziekte niet terug. Door het bevolkingsonderzoek wordt darmkanker steeds vaker in dit vroege stadium ontdekt. Omdat stadium II darmkanker zo’n goede prognose heeft is het vanuit “one size fits all” perspectief niet verstandig om al deze patiënten aanvullende chemotherapie te geven. Aan de andere kant zouden de 20% van de patiënten bij wie de ziekte wel terugkomt juist baat kunnen hebben bij aanvullende behandeling. Maar ja, welke patiënten zijn dat nu precies?

Net zoals boeven DNA sporen achterlaten op de plaats van het misdrijf, laten tumoren DNA sporen achter in het bloed. Onze Amerikaanse collega’s in het MEDOCC Dream Team hebben een krachtige techniek ontwikkeld voor het meten van ctDNA, die mogelijk deze 20% van de patiënten kan detecteren. Om nu zo snel mogelijk te kunnen evalueren of zo’n ctDNA test echt doet wat ie belooft, heb je niet alleen bloed monsters nodig om tumor DNA in te meten, maar moet je ook weten of patiënten tot de 80% gelukkigen of de 20% pechvogels gaan behoren. Beide elementen kunnen nu via PLCRC aangeleverd worden, waardoor we veel sneller dan voorheen hoge kwaliteit bewijs gaan krijgen of deze innovatie werkt of niet.

Er is nog een andere rijke bron van real life data die belangrijk is voor kanker onderzoek, en dat zijn de data van de bevolkingsonderzoeken.

Vroege opsporing door middel van bevolkingsonderzoeken is één van de krachtigste instrumenten om sterfte aan kanker terug te dringen. Het Nederlandse bevolkingsonderzoek op darmkanker is daar een goed voorbeeld van. Wereldwijd wordt dit momenteel beschouwd als de best georganiseerde en uitgevoerde darmkankerscreening. Dit succes is absoluut te danken aan een team effort van overheid, uitvoeringsorganisaties, het zorgveld en het onderzoeksveld. Maar om te kunnen blijven innoveren is het belangrijk dat die interactie tussen het sterke onderzoeksveld op darmkanker vroegdiagnostiek en het screeningsprogramma optimaal blijft.

Het beschikbaar maken van de real life data uit het bevolkingsonderzoek voor wetenschappelijk onderzoek is daarvoor cruciaal. Temeer omdat het ook hier hoge kwaliteit gestructureerde real life data betreft, die zijn ingevoerd aan de bron door zorg professionals die precies weten waarover ze het hebben. Deze data zitten in een goed georganiseerde database, Screenit, en ik pleit ervoor dat het RIVM met BBMRI om tafel gaat om toegang tot deze data voor onderzoekers te realiseren via de systematiek van de nationale onderzoeksinfrastructuur.

Laat ik ook hier met een voorbeeld toelichten waarom dat belangrijk is. Om het bevolkingsonderzoek op darmkanker nog verder te verbeteren zijn wij, eveneens in het kader van het KWF StaOpTegenKanker MEDOCC project, op zoek gegaan naar een nieuwe combinatie van eiwitten in de ontlasting, waarmee we veel meer gevallen van darmkanker en voortgeschreden poliepen konden aantonen in een studie die eergisteren is verschenen in Annals of Internal Medicine.

In deze studie werd de ontlasting van in totaal bijna vierhonderd proefpersonen onderzocht, maar voordat je zo’n test echt kunt gaan toepassen moet die op duizenden monsters gevalideerd worden.

Wat is nu een mooiere bron van testmateriaal dan de restanten van de monsters uit het real life bevolkingsonderzoek. Samen met het team van de FIT vergelijkingsstudie en met steun van ZonMW, MLDS en Health-Holland hebben we een biobank met meer dan 34000 van deze monsters aangelegd die gaan helpen bij de verdere klinische validatie van de nieuwe test.

Nu is het natuurlijk prachtig als de toegang tot de data in deze registers is geregeld, maar dan zijn we er nog niet. We hebben alleen iets aan deze gegevens als we ze op persoonsniveau kunnen koppelen aan de bepalingen die worden gedaan in de monsters van deze personen. We hebben het dan over de I van interoperabiliteit, de derde letter van het acroniem FAIR. De optimale oplossing is volstrekt helder en technisch niet moeilijk. Daarvoor hebben we een landelijke systematiek nodig waarbij een versleutelde variant van het BSN wordt gebruikt in alle PMR databases. Dat natuurlijk op een manier zodat de privacy van de betrokken personen zo optimaal mogelijk wordt beschermd. Terwijl dit in Scandinavië volstrekt normaal is, kiezen wij er in Nederland voor om deze optimale oplossing niet te gebruiken, ondanks het advies van de Koninklijke Nederlandse Academie van wetenschappen dit wel te doen, bijna 10 jaar geleden. Dus mede daardoor laten we, inderdaad, zo’n slordige 100 miljoen euro per jaar links liggen voor onderzoek.

Het tweede dat ons te doen staat is de EBM procesketen stroomlijnen.

We hebben allemaal gezien dat dit een standaard proces is, waarin data een grote rol spelen en dan moet het grotendeels te automatiseren zijn.

In allerlei andere sectoren van de samenleving is het volstrekt normaal om “real time” processen bij te sturen. Als u op reis gaat met uw auto en u gebruikt Google Maps, dan zult u al regelmatig onderweg een melding krijgen dat er een snellere route is gevonden, om over zelfrijdende auto’s nog maar te zwijgen. Ook in personalized medicine research is het best mogelijk om de hele keten van onderzoek, bewijs, richtlijn, verandering van de praktijk en het realiseren van betere uitkomsten van ziekte beter op elkaar te laten aansluiten.

Standaardisatie is één van de belangrijkste factoren die snelle procesoptimalisatie in die andere sectoren van de samenleving mogelijk heeft gemaakt. Denk aan het gebruik van containers in het goederen vervoer, gestandaardiseerde spoorbreedtes, de OV kaart, USB, melkbussen en ga zo maar door.

Helaas hebben we in het biomedisch onderzoek deze diepe inzichten nog niet in praktijk weten te brengen! En nee, standaardisatie vormt geen bedreiging voor de academische vrijheid, het biedt juist meer mogelijkheden. Research zonder gedoe!

Het is dus geen technologische uitdaging, we kunnen grotendeels toe met technieken die in andere sectoren van de samenleving al lang gebruikt worden. Het is daarentegen een sociaal-cultureel en organisatorisch probleem, en heeft alles te maken met gedrag van mensen.

Gedrag van mensen, en dus ook onderzoekers wordt in hoge mate bepaald door straf en beloning, bijvoorbeeld waar het gaat om wel of geen financiering krijgen voor onderzoeksvoorstellen. Hier ligt dus ook expliciet een rol voor de subsidiegevers. Het gedrag dat nu beloond wordt, leidt kennelijk tot te weinig samenwerking, data delen en andere elementen die nodig zijn om de innovatie kloof te overbruggen. Door ander gedrag te belonen, middels financiering van onderzoeksvoorstellen, hebben subsidiegevers hier expliciet de mogelijkheden om uitkomsten van personalized medicine research te beinvloeden.

Allemaal mooi, maar hoe moeten we dat nu handen en voeten geven? “Real time evidence from real life data” is natuurlijk een stip aan de horizon, maar dat waren de afsluitdijk, de deltawerken, het humane genoom project en een reis naar de maan ook ooit. Het mooie is dat we in feite al druk bezig zijn om deze ambitie te realiseren, en de naam waaronder we dat doen is Health-RI, wat staat voor Health Research Infrastructure. Dit initiatief heeft inmiddels de steun gekregen van meer dan 70 maatschappelijke organisaties.

De vraag die mij de laatste tijd het meest gesteld wordt, luidt “Wat is Health-RI nu precies” en de verwachting is dan dat ik één heel specifiek product of service noem. En dat gaat niet.

Health-RI is het antwoord van de Nederlandse onderzoeksinfrastructuren voor personalized medicine & health, op de problemen die ten grondslag liggen aan de innovatiekloof.

En, weet u het nog, die waren multifactorieel, dus als we iets willen veranderen dan moeten we heel veel zaken in onderlinge samenhang aanpakken. De basis van de Health-RI portfolio wordt gevormd door de verschillende stappen in het personalized medicine onderzoeksproces, hier links beginnend met het definiëren van de onderzoeksvraag, als het goed is dat één van de witte vlekken waar de richtlijncommissie tegenaan liep, tot hier rechts de stap waarin we zorgen dat de resultaten van het onderzoek bij patiënten terecht komen. U ziet het, Health-RI kan zo de basis vormen van een lerend zorg systeem.

Zo bestaat de Health-RI matrix uit heel veel cellen, zowel op operationeel als tactisch en strategisch niveau. Op operationeel niveau biedt Health-RI allerlei concrete tools en services om het onderzoeksproces te faciliteren. Een paar voorbeelden.

Onderzoekers lopen vaak tegen ethische en juridische vragen aan, en bij multicenter studies is het dan vervelend als er in verschillende instellingen verschillende antwoorden komen.

Met steun van ZonMW wordt daarom momenteel een online helpdesk ingericht die tijdens kantooruren direct bereikbaar is, en waarbij het antwoord op vragen uit Utrecht hetzelfde gaat zijn als het antwoord op vragen uit Amsterdam.

Een ander voorbeeld is de catalogus van data en monsterverzamelingen.

De nationale BBMRI catalogus is zo de telefoongids van biobanken, cohorten en registraties en de PALGA openbare pathologie databank is daarin een prachtig voorbeeld van hoe je die bronnen soms al online kunt doorzoeken.

Steeds vaker is er een web shop functie voor onderzoekers om data en materiaal aan te vragen, zowel nationaal

als ook lokaal.

Onderzoekers hebben vaak data nodig uit verschillende bronnen. Nu moeten ze die gegevens zelf nog gaan koppelen. Een volgende stap is dat die koppeling van data achter de schermen wordt gedaan. Efficiënter en trouwens ook veel beter voor de privacy.

Een andere al operationele service biedt een virtuele onderzoeksomgeving.

De Health-RI office suite voor translationeel onderzoek, net zoals we Office 365 voor ons bureau werk hebben, met applicaties voor bijvoorbeeld het veilig en solide verzamelen van klinische gegevens, applicaties om radiologie en pathologie beelden toegankelijk te maken voor onderzoek, de biobank catalogus met webshop, en een jukebox als Spotify, maar dan voor research data. Eerlijkheid gebied te zeggen dat we nog in de fase van Office 2.0 zitten en nog niet in versie 25 zoals bij Microsoft, maar zelfs dat is al een grote sprong voorwaarts.

Maar als je zo Health-RI op operationeel niveau probeert in te richten, dan loop je tegen allerlei zaken aan die je eerst op een hoger abstractie niveau moet aanpakken. Actueel is bijvoorbeeld de noodzaak voor veel organisaties, inclusief kennisinstellingen en ziekenhuizen, om per mei 2018 te voldoen aan de nieuwe Europese privacy wetgeving, de AVG. In de afgelopen jaren hebben we ons met z’n allen heel druk gemaakt om te voorkomen dat de AVG heel erg beperkend zou gaan worden voor het doen van PMR, en dat is gelukt. Er zijn uitzonderingen in de verordening voor wetenschappelijk onderzoek. Maar nu puntje bij paaltje komt en bij alle organisaties stafjuristen ieder voor zich bezig zijn om te zorgen dat de risico’s worden afgedekt, dreigen deze uitzonderingen voor onderzoek buiten beeld te raken. Dus op dit tactische niveau probeert Health-RI te bevorderen dat de instellingen hierin gezamenlijk gaan optrekken.

Een ander voorbeeld is de worsteling die iedere kennisinstelling heeft om research IT naar een hoger plan te brengen.

De UMCs hebben besloten om hierbij gezamenlijk op te trekken en in het programma Data4Lifesciences synchroniseren zij hun plannen van aanpak en wisselen ze best practices uit. Voor het PM onderzoek in Nederland zou het heel goed zijn als andere kennisinstellingen en zorg organisaties zich bij deze tactiek zouden aansluiten.

U raadt het al, dan is er nog het strategische niveau. Ook hier zijn er allerlei uitdagingen. Zo wordt er op dit moment bovenop alle verschillende wetten die effect hebben op het domein van PMR, nog een extra wet voorbereid, de Wet Zeggenschap Lichaamsmateriaal.

In de consultatie over de concept wet hebben we als Health-RI aangegeven dat nog een wet helemaal niet nodig is. In plaats daarvan kunnen beter een paar relatief simpele aanpassingen in reeds bestaande wetten worden gemaakt om tot zoveel mogelijk geïntegreerde regelgeving te komen.

Op deze manier ontstaat met Health-RI een shared services portfolio om PM&H research efficiënter en effectiever te kunnen uitvoeren.

Ik hoor u nu denken, poeh poeh, is dat niet wat veel? Kunnen we niet eerst eens beginnen door er één onderwerp uit te pikken en dat goed te regelen. Het antwoord is nee, dat gaat niet werken!

Op al deze terreinen gebeurt al van alles. Het probleem is, ik heb het al genoemd, dat dit nu heel versnipperd en vaak dubbel gebeurt. We moeten dus zorgen dat deze puzzelstukjes in elkaar gaan passen.

Op dit moment wordt het businessplan voor Health-RI afgerond en op 12 oktober hebben heel veel maatschappelijke stakeholders zich op basis van de conceptversie gecommitteerd om in overleg te gaan over hoe zij gaan participeren in de governance van Health-RI en hoe zij een rol kunnen spelen bij de bekostiging van Health-RI.

Om maar even bij het geld te beginnen. Nu is het niet goed geregeld. Bestaande infrastructuren waarop Health-RI voortbouwt, zoals BBMRI-NL, DTL, EATRIS-NL, ELXIR-NL, en TraIT hebben slechts tijdelijke financiering, als ze al financiering hebben. Als we denken dat een goede onderzoeksinfrastructuur belangrijk is om de innovatiekloof in personalized medicine te overbruggen, een lerend zorgsysteem in te richten en value based healthcare echt handen en voeten te geven, dan is Health-RI de oplossing. Een solide model voor lange termijn financiering is cruciaal.

De bal ligt op de stip, maar om hem in het doel te kunnen schieten hebben we op korte termijn ook financiering nodig voor de opstartfase.

Dan nog even de governance. Wie de baas is, dat is natuurlijk altijd een prangende vraag. Het niet kunnen overbruggen van de innovatiekloof is een gedeeld probleem van veel verschillende partijen; burgers dan wel patiënten, subsidiegevers, onderzoekers, overheid en regelgevers, kennisinstellingen, industrie, verzekeraars, organisaties die bijdragen aan het platform, de gezondheidszorg. Het gaat niet werken als het primaat in de governance bij een van de partijen zou komen te liggen. Health-RI krijgt daarom een inclusieve governance.

We hebben het hier over de governance van de organisatie. Nog een heel andere vraag is nog wie de baas is over de data en de monsters. Dat ligt complexer. Dat is de betreffende persoon, de burger c.q. patiënt, zou je zeggen. Aan de andere kant zijn die data en monsters vaak met publiek geld, uit zorg of onderzoek, gegenereerd. Ik ga niet roepen dat ik het antwoord weet, maar wat ik wel weet is dat het onwenselijk zou zijn als data die relevant zijn voor PMR zouden worden gemonopoliseerd, en ik kan me niet geheel aan de indruk onttrekken dat het business model van verschillende bedrijven, expliciet dan wel impliciet, gebaseerd is op exclusieve zeggenschap over de data. Het lijkt me te prefereren wanneer deze partijen hun business model zouden baseren op de waarde die hun producten of diensten toevoegen aan data die met zo min mogelijk beperkingen Findable, Accessible, Interoperable en Reusable zijn ten dienste van een lerend zorgsysteem.

En hoe zit het dan met pathologie? Zoals gezegd, geen behandeling op maat zonder diagnostiek op maat! De uitdaging voor de pathologie is om uit steeds kleiner wordende monsters steeds meer voor patiënten relevante informatie te halen. Het arsenaal aan methoden om informatie uit die steeds kleiner wordende monsters te verzamelen beperkt zich al lang niet meer tot de microscopie. Moleculaire diagnostiek is integraal onderdeel van de pathologie. Samenwerking van pathologen met klinische moleculair biologen in de pathologie en laboratorium specialisten klinisch genetica is daarom cruciaal voor de ontwikkeling van de pathologie. In het verlengde hiervan hebben ook bioinformatici hun intrede gedaan binnen onze afdeling en met de opkomst van immunotherapie is de inbreng van experts op het gebied van tumorimmunologie onontbeerlijk. Het is dan ook prachtig dat we deze ambitie binnen de afdeling pathologie van AvL kunnen vormgeven. Op sommige fronten, zoals ctDNA, doen we dat met samen met de klinische chemie. Zo richten we ook samen de translational research core in waarmee we samenhang brengen in een aantal uitstekende onderzoeksinfrastructuur elementen die al aanwezig zijn, zoals de core facility moleculaire pathologie en biobanking.

De divisie DOD kan zo nog beter haar rol als translationele brug tussen het fundamentele onderzoek in het NKI en het klinische onderzoek in het AVL vormgeven.

Samenwerking met UMCU, zowel op het terrein van de pathologie als in onze acties om de innovatiekloof te overbruggen is hierbij al op meerdere fronten vruchtbaar. De strategie van UMCU voor de innovatiecyclus is hiervoor een mooi model.

Kortom, er is werk aan de winkel, maar er is ook veel momentum en er zijn prachtige kansen. Laten we die met z’n allen gaan benutten.

De tijd is op en ik moet nog heel veel mensen bedanken, want translationeel onderzoek kun je niet in je eentje doen, dat is op en top team science. Veel dank aan mijn teamgenoten in de Translational Gastrointestinal Oncology groep. Prachtig hoe we ons onderzoek met nog meer mogelijkheden hebben kunnen voortzetten in het NKI.

Collega’s van de afdeling pathologie van het Antoni van Leeuwenhoek, veel dank voor jullie inzet bij bouwen aan ons pathologie lab van de toekomst.

Darmkanker onderzoekers in AVL, UMCU, MUCM, AMC, RadboudMC, ErasusMC, VUmc en in de andere centra, prachtig hoe we de afgelopen jaren steeds meer zijn gaan samenwerken om darmkanker te lijf te gaan, het Prospectief landelijk CRC cohort en DCCG zijn daarvan natuurlijk de exponenten. Many thanks also to all members of the fantastic StandUpToCancer Dream Team on Molecular Early Detection of Colorectal Cancer. Dank ook aan het OncoProteomics Lab, de Tumor Genome Analysis Core en het Decision Modelling Center van VUmc voor de onverminderde samenwerking.

Dan de infrastructuur teams: TraIT, BBMRI-NL, EATRIS-NL, DTL, ELIXIR-NL, Lygature en natuurlijk Health-RI, veel dank. Laten we die bal in het net jagen! Ook de teams van PALGA, IKNL, SURF, HMF, RIVM Centrum voor bevolkingsonderzoeken en de screeningsorganisaties dank voor samenwerking op veel fronten.

Veel dank ook aan de subsidiegevers, en met name ook hun donateurs, die ons onderzoek mogelijk maken: KWF, MLDS, ZonMW, StaOpTegenKanker, Alpe dhuZes, Health-Holland. Dank ook aan de bedrijven die of in het darmkanker onderzoek, of op het gebied van de onderzoeksinfrastructuur met ons de uitdaging van de publiek private samenwerking aangaan.

Dank ook aan de raad van bestuur van het UMCU, het college van bestuur van de Universiteit Utrecht en de raad van bestuur van het Antoni van Leeuwenhoek voor het in mij gestelde vertrouwen.

Last but not least natuurlijk het belangrijkste team, het thuisfront, Karla, Titia, Mirjam en Tim. Dank voor jullie steun, zorg en hulp om steeds toch ook weer met beide benen op de grond te komen. Titia gefeliciteerd met je verjaardag, ik trakteer!

Ik heb gezegd.