Hormonen, data en de AI-doorbraak die traditionele geneeskunde miste

Al decennialang is de gezondheid van vrouwen ondervertegenwoordigd in klinisch onderzoek – onvoldoende bestudeerd, oversimplified en gedwongen om te passen in modellen die zijn opgebouwd rondom gemiddelde biologische waarden voor mannen. Aandoeningen die worden beïnvloed door hormonale cycli, bijvoorbeeld, zijn langdurig gereduceerd tot statische klinische momentopnamen die longitudinale patronen missen en symptomen verkeerd interpreteren, waardoor diagnoses vertraagd en onjuist worden.

Het was pas drie decennia geleden dat de FDA vrouwen weer toeliet tot klinisch onderzoek als deelnemers, maar vrouwen maken nog steeds slechts 30% van de deelnemers aan klinische trials uit – voornamelijk vanwege de overmatige focus van de farmaceutische industrie op hun potentieel om kinderen te krijgen en hun fertiliteitszorgen.

De gevolgen gaan verder dan alleen vertegenwoordiging. Een studie van de University of Pittsburgh School of Public Health concludeerde dat de meeste veiligheidsprofielen van medicijnen zijn gebaseerd op mannelijke biologie en geen rekening houden met vrouwelijke hormonale variatie. In het onderzoek naar hart- en vaatziekten in het bijzonder heeft de ondervertegenwoordiging van vrouwen rechtstreeks bijgedragen aan vertraagde diagnoses, genegeerde symptomen en systematische misdiagnoses.

Sinds 2015 heeft klinisch onderzoek significante stappen gezet in seksegelijkheid, maar de National Institutes of Health (NIH) heeft een beleid uitgevaardigd om sekse te beschouwen als een biologische variabele in onderzoek – waardoor zowel vrouwelijke als mannelijke variabelen in verdere wetenschappelijke onderzoeken moeten worden meegenomen.

Nog steeds is de vertraging tussen beleid en praktijk aanzienlijk. Het is pas nu dat een bredere toename in klinisch rigoureus onderzoek dat expliciet rekening houdt met vrouwelijke biologie, is begonnen te materialiseren. En met dat onderzoek, een convergentie van institutionele investeringen en kunstmatige intelligentie die belooft het veld te herschikken.

De institutionele wake-up call

Naarmate klinische gegevens accumuleren en nieuwe onderzoeksgebieden steeds belangrijker worden, vormt zich een nieuwe alliantie tussen wetenschap en technologie, gericht niet op het behandelen van vrouwelijke biologie als een variatie, maar op systemen die zijn opgebouwd vanaf het begin rondom biologische sekseverschillen.

Instituties hebben die verschuiving geformaliseerd. De American Heart Association heeft zijn focus op vrouwenhartgezondheid versterkt met een $75 miljoen USD Go Red for Women Venture Fund en een $15 miljoen onderzoeksinitiatief dat de effecten van menstruatiecycli op cardiovasculaire-nier-metabole (CKM) gezondheid onderzoekt.

Tegelijkertijd richt de 2024-2028 NIH-Wide Strategic Plan en een White House Executive Order meer dan $100 miljoen USD in ARPA-H financiering naar wat onderzoekers “metabole vensters” noemen – specifiek menopauze en menstruatiecycli – als reactie op bewijs dat bijna 99% van preklinische verouderingsstudies deze factoren historisch hebben uitgesloten. Het initiatief wordt ondersteund door een $15,7 miljard USD aanbeveling van de National Academies.

Deze structurele veranderingen hebben een parallelle verschuiving teweeggebracht in hoe vrouwengezondheidsgegevens worden verzameld, geïnterpreteerd en gebruikt. Een nieuwe generatie platforms vertaalt hormonale en cyclische gegevens in toegankelijke, klinisch relevante inzichten, waardoor vrouwen patronen kunnen identificeren voordat ze escaleren tot aandoeningen die traditionele methoden mogelijk verkeerd interpreteren.

“Mijn eigen gezondheidscrisis was een van de meest beangstigende ervaringen van mijn leven – en wat het snel onthulde, was dat de last bijna volledig op de patiënt rust op het moment dat ze het minst in staat zijn om het te dragen,” zei Adriana Torosian, oprichter en CEO van Ourself Health, tegen Unite AI.

Ourself Health leidt een structurele verschuiving in hoe vrouwengezondheid wordt waargenomen, voortkomend uit vrouwenpersoonlijke ervaringen met slecht gezondheidsdatabeheer en bedoeld om toekomstige problemen met misalignement van informatie of slechte toegang tot gegevensinterpretatie te voorkomen.

Het in San Francisco gevestigde startup onthulde onlangs Stella, een AI-gepowered gezondheidscompanion die ‘s werelds toonaangevend vrouwengezondheidsonderzoek combineert met de persoonlijke gezondheidsgeschiedenis van gebruikers.

“Uiteindelijk werd het antwoord voor mij mijn gegevens. Ik vermoedde dat mijn cyclus rechtstreeks mijn aandoening beïnvloedde en bracht die hypothese naar toonaangevende artsen, die het volledig verwierpen. De enige manier om verder te gaan was door mijn eigen dataset op te bouwen, mijn eigen antwoorden te vinden en vervolgens mijn artsen bij mijn proces te betrekken – het complete omgekeerde van hoe ik dit had verwacht,” voegde Torosian toe.

Waarom AI de vergelijking verandert

AI verandert fundamenteel de diagnostiek in de gezondheidszorg, niet door klinische oordeelsvorming te vervangen, maar door een vorm van patroonherkenning mogelijk te maken op een schaal en continuïteit die traditionele zorg niet kan repliceren. In tegenstelling tot klinische modellen die afhankelijk zijn van episodische ontmoetingen, kunnen AI-systemen continu medische dossiers, biomarkers en real-time fysiologische inputs analyseren, waardoor correlaties worden gedetecteerd die standaardzorg routinematig mist.

Dit resultaat heeft tot nu toe tot vroegere en nauwkeurigere diagnoses geleid bij aandoeningen die variëren van hart- en vaatziekten tot kanker – een verschuiving die de patiëntresultaten al verbetert.

Bij vrouwengezondheid in het bijzonder is deze capaciteit bijzonder essentieel; hormonale systemen zijn dynamisch, diep verbonden en sterk geïndividualiseerd. AI-gestuurde tools beginnen de diagnostische kloof te overbruggen door meer precieze monitoring, voorspelling en longitudinale analyse mogelijk te maken bij reproductieve gezondheid, moederzorg en gynaecologische aandoeningen.

Nieuwe toepassingen variëren van AI-verbeterde foetale beeldvorming tot niet-invasieve detectie van endometriose, gebieden waar traditionele diagnostiek lang heeft gestreden.

Ourself Health’s Stella bouwt voort op deze basis door longitudinale hormonale gegevens te operationaliseren, patronen om te zetten in gepersonaliseerde, tijdgevoelige gezondheidsaanbevelingen in plaats van gegeneraliseerde klinische richtlijnen.

“Hoe meer gegevens een gebruiker in de platform brengt, hoe preciezer en persoonlijker Stella’s richtlijnen worden. Die gegevens komen uit meerdere lagen: individuele symptomen die dagelijks binnen de app worden bijgehouden, persoonlijke notities, documenten die een gebruiker rechtstreeks kan uploaden en continue fysiologische gegevens van wearables zoals de Apple Watch,” legde Torosian uit.

Door dit te doen, verplaatst het instrument zich van detectie naar beslissingsondersteuning – vrouwengezondheid herschikkend als een continue, berekenbare systeem in plaats van een reeks onafhankelijke klinische verticale componenten.

“Het doel is om de kloof te dichten tussen wat een vrouw over haar eigen lichaam weet en wat haar arts ziet in een korte afspraak – en ervoor te zorgen dat ze bij elke interactie gewapend is met haar eigen gegevens, het laatste relevante onderzoek en een duidelijk actieplan. Stella legt al die informatie in haar handen,” voegde de oprichter toe.

Een nieuwe computationele laag voor een oude kloof

Het onderscheid tussen het genereren van inzicht en het produceren van actiegerichte richtlijnen is subtiel, maar klinisch significant. Stella AI is ontworpen om de laatste prioriteit te geven, longitudinale trends te interpreteren om individuele en tijdgevoelige aanbevelingen te genereren, afgestemd op elke gebruikers hormonale basislijn.

In zijn kern rust Stella’s ontwerp op de erkenning dat geen twee hormonale systemen identiek zijn. Het Ourself-platform leert vervolgens continu van elke gebruikersinput, ongeacht cycli, symptomen,

“Wat nog steeds ontbreekt voor individuele vrouwen is de mogelijkheid om nu zelf de leiding te nemen – zonder te wachten tot het onderzoek het gat heeft gesloten. Dat is precies waar Ourself binnenkomt; we kunnen vrouwen niet vragen hun leven te pauzeren terwijl instituties langzaam het financieringsgat sluiten. We kunnen hen de tools geven om hun eigen lichaam te begrijpen, hun eigen gezondheidsdossier op te bouwen, geïnformeerde beslissingen te nemen en actie te ondernemen met wat we al weten – terwijl het bredere onderzoekslandschap rondom hen blijft evolueren,” benadrukte Torosian.

Deze benadering transformeert hormonale gezondheidsbeheer van een reactieve discipline in een proactieve, waarin interventies getimed en aangepast kunnen worden met een precisie die conventionele zorgmodellen structureel niet in staat zijn te leveren.

Maar voorbij individuele gevallen of visionairs, stelt de opkomst van betere – en AI-ondersteunde – technologieën een nieuwe computationele laag voor die zowel in staat is om complexiteit actiegericht te maken als, belangrijker nog, levens te redden.

Terwijl instituties zoals de NIH en de American Heart Association formeel middelen omleiden, vertaalt AI die impuls in reële impact. De belofte van deze instrumenten ligt in hun vermogen om te personaliseren en operationaliseren wat de geneeskunde lang heeft waargenomen maar heeft gestreden om toe te passen: dat vrouwengezondheid dynamisch is.

De toekomst van de gezondheidszorg zal niet worden gedefinieerd door gemiddelden op populatieniveau, maar door precisie – waarbij elke individus zijn longitudinale gegevens als basis voor zijn zorg vormt. En in die zin is AI de geneeskunde niet aan het vervangen, maar aan het uitbreiden naar terrein waar het nooit volledig was uitgerust om te navigeren, tot nu toe.