Artificiële intelligentie en obesitas: van voorspelling tot behandeling
Obesitas treft wereldwijd al meer dan 650 miljoen volwassenen en zal tegen 2030 naar verwachting een miljard mensen treffen. De klassieke benaderingen tonen hun beperkingen, terwijl artificiële intelligentie (AI) nieuwe perspectieven biedt: risicovoorspelling, gepersonaliseerde opvolging en de ontdekking van behandelingen. Bij diabetes worden deze tools al in de klinische praktijk toegepast.
De toename van obesitas weegt zwaar op de gezondheidszorg. Dit is geen slechte woordspeling: de economische impact is des te groter omdat obesitas samengaat met ernstige comorbiditeiten, waaronder type 2-diabetes, hart- en vaatziekten, kanker en slaapapneu.
Klassieke interventies – veranderingen in levensstijl, farmacologische behandeling of bariatrische chirurgie – blijven essentieel, maar hebben hun beperkingen. AI lijkt een nieuw instrument te zijn dat bepaalde beperkingen van de huidige benaderingen kan overwinnen. Door gebruik te maken van de enorme hoeveelheid klinische, biologische en gedragsgegevens belooft AI de screening te verfijnen, de behandeling te individualiseren en de ontdekking van innovatieve behandelingen te versnellen.
Het risico voorspellen
Obesitas is een multifactoriële ziekte waarbij genetische aanleg, eetgewoonten, gedrag en sociaaleconomische omstandigheden een rol spelen. Traditionele voorspellingsmethoden zijn vaak gebaseerd op de body mass index (BMI) en op enkele klinische variabelen, wat onvoldoende is om de individuele ontwikkeling te voorspellen.
Met AI en machine learning kunnen deze heterogene gegevens met elkaar worden gecombineerd. Algoritmen kunnen tegelijkertijd genetische profielen, metingen uit medische dossiers, gedrag dat door sensoren of applicaties wordt geregistreerd, en sociale variabelen analyseren. “'Machine learning'-modellen overtreffen traditionele benaderingen wat betreft het vroegtijdig identificeren van kinderen met een risico op obesitas”, aldus Lillian Huang et al. in een recent artikel in Medicina(1).
Met deze methoden kunnen ongunstige gewichtstrends worden opgespoord lang voordat er metabole complicaties optreden. Dit is van groot belang, vooral in de kindertijd en adolescentie, kritieke periodes om te voorkomen dat kinderen op volwassen leeftijd zwaarlijvig worden. In de Verenigde Staten worden al proefprogramma's uitgevoerd met AI in schoolcohorten om de meest kwetsbare kinderen op te sporen, zodat er kan worden ingegrepen voordat overgewicht zich ontwikkelt.
''Machine learning'-modellen overtreffen traditionele benaderingen wat betreft het vroegtijdig identificeren van kinderen met een risico op obesitas'
– Lilian Huang
Naar een gepersonaliseerde behandeling
De behandeling van obesitas is traditioneel gebaseerd op algemene aanbevelingen: een caloriearm dieet, meer lichaamsbeweging, frequente medische controle. Maar de therapietrouw is vaak laag en terugval komt regelmatig voor. AI biedt hier het perspectief van een geneeskunde die gericht is op het profiel van elke individuele patiënt.
We zijn al bekend met de continue gegevensverzameling die mogelijk is gemaakt door de opkomst van verbonden sensoren en slimme horloges. Deze informatie, gekoppeld aan elektronische medische dossiers, zou kunnen worden gebruikt om voorspellende modellen te creëren die in real time aanbevelingen kunnen aanpassen.
Een ander ontwikkelingsgebied is gepersonaliseerde voeding. AI kan metabolische, microbiotische of genetische profielen analyseren om te bepalen welk type dieet het meest effectief is voor een bepaald individu. In Zuid-Korea ontwikkelen universitaire teams multimodale platformen die beeldvorming, biologische gegevens en verbonden monitoring combineren, met als doel clinici te begeleiden bij het opstellen van op maat gemaakte strategieën voor gewichtsverlies.
Deze belofte mag echter bepaalde beperkingen niet verhullen. “AI zal de relatie tussen arts en patiënt niet vervangen. Het is bedoeld om de follow-up te verrijken, maar menselijke begeleiding blijft essentieel om de betrokkenheid te behouden”, waarschuwt prof. Sarfuddin Azmi in een artikel in het tijdschrift Diagnostics(2).
'AI is bedoeld om de follow-up te verrijken, maar menselijke begeleiding blijft essentieel om de betrokkenheid te behouden'
– prof. Sarfuddin Azmi
Zoeken naar nieuwe behandelingen
AI verandert nu al de preventie en klinische follow-up, maar de impact ervan zou nog groter kunnen zijn in het therapeutisch onderzoek. Obesitas blijft namelijk moeilijk farmacologisch te behandelen. De beschikbare geneesmiddelen – orlistat, GLP-1-agonisten, serotonineheropnameremmers – hebben hun beperkingen: gedeeltelijke werkzaamheid, bijwerkingen, hoge kosten. De meeste patiënten komen na het stoppen van de behandeling weer gedeeltelijk aan.
In deze context wordt AI ingezet om de ontdekking van nieuwe moleculen te versnellen. Met behulp van virtuele screeningstechnieken in combinatie met machine learning kunnen miljoenen verbindingen in korte tijd worden geanalyseerd. “AI maakt de weg vrij voor een nieuwe generatie peptiden tegen obesitas, waardoor de ontwikkelingstijd en -kosten drastisch worden verminderd”, aldus prof. Antonio Lavecchia in Drug Discovery Today(3).
De recent populair geworden GLP-1-receptoragonisten illustreren dit potentieel. AI wordt gebruikt om hun interactie met verschillende doelwitten te modelleren, hun formulering te optimaliseren en therapeutische combinaties te onderzoeken. Naast GLP-1's ontstaan er ook nieuwe mogelijkheden op het gebied van mimetische peptiden of modulatoren van de neuronale signaaloverdracht van de eetlust.
Een ander veelbelovend gebied is dat van in silico-modellering. AI-systemen kunnen ‘digitale tweelingen’ van obese patiënten genereren, waardoor het effect van een medicijn kan worden gesimuleerd nog voordat er klinische proeven worden uitgevoerd. Deze aanpak verlaagt niet alleen de kosten, maar ook de risico's die gepaard gaan met vroegtijdig experimenteren.
Uitdagingen en aanbevelingen
De integratie van AI in de strijd tegen obesitas wekt veel enthousiasme, maar er moeten nog verschillende obstakels worden overwonnen voordat deze technologie op grote schaal kan worden toegepast. De eerste uitdaging heeft, zoals op tal van gebieden, te maken met de kwaliteit van de gegevens. 'Machine learning'-algoritmen zijn vaak gebaseerd op onevenwichtige gegevensbestanden die niet representatief zijn voor bepaalde bevolkingsgroepen. “De doeltreffendheid van AI zal afhangen van het vermogen om de kwaliteit van de gegevens te waarborgen, algoritmische vertekeningen te beperken en de transparantie van de modellen te garanderen”, vat Sarfuddin Azmi samen.
De tweede uitdaging is de klinische implementatie. AI-tools vereisen investeringen in digitale infrastructuur, cyberbeveiliging en opleiding van zorgverleners. De acceptatie ervan hangt af van de naadloze integratie in de medische workflow, zonder dat dit leidt tot extra administratieve rompslomp.
Derde beperking: ethische en regelgevende kwesties. Het gebruik van gevoelige gezondheidsgegevens vereist strikte garanties op het gebied van vertrouwelijkheid en governance. Bovendien blijft de aansprakelijkheid in geval van een fout in een algoritme een onbeslist onderwerp.
Ten slotte moet ook rekening worden gehouden met de acceptatie door patiënten. Een deel van de bevolking kan terughoudend zijn om gegevens vrij te geven of geautomatiseerde aanbevelingen te ontvangen.
Op korte termijn pleiten deskundigen voor goed geëvalueerde proefprojecten, die worden geïntegreerd in bestaande zorgsystemen en gepaard gaan met robuuste klinische validaties. Alleen dan kan AI zijn belofte waarmaken.
Diabetes, een domein voor geavanceerd AI-onderzoek
Diabetes illustreert al hoe AI op een concrete en gestructureerde manier in de geneeskunde kan worden geïntegreerd. Terwijl obesitas zich nog in een experimentele fase bevindt, is diabetes een gebied waarop zelfs niet-specifieke tools – bijvoorbeeld ChatGPT – kunnen worden gebruikt om patiënten te begeleiden die hun gegevens ter beschikking hebben gesteld. Er zijn echter duidelijke beperkingen waaronder gegevenssoevereiniteit, training van gegevens in een niet-medisch hulpmiddel, relevantie van de gegevens. Gelukkig bestaan er ook meer professionele en gestructureerde toepassingen.
Voorspelling en screening
De voorspelling van het risico op diabetes type 2 is aanzienlijk verbeterd dankzij algoritmen voor machine learning. Een systematische review door Pir Bakhsh Khokhar (Artificial Intelligence in Medicine(4)) bewijst dit: "Modellen voor machine learning overtreffen de klassieke methoden voor het voorspellen van het risico op diabetes, dankzij hun vermogen om tegelijkertijd klinische, biologische en gedragsgegevens te integreren".
Deze tools zijn bijzonder nuttig om personen met een hoog risico te identificeren voordat er symptomen optreden, waardoor vroegtijdig preventieve maatregelen kunnen worden genomen. Ze zijn ook toepasbaar voor het opsporen van complicaties, zoals diabetische retinopathie, dankzij de geautomatiseerde analyse van netvliesbeelden.
Digitale biomarkers en gepersonaliseerde monitoring
De ontwikkeling van digitale biomarkers is een andere belangrijke stap voorwaarts. Door gegevens van multisensorische toestellen, apparaten voor continue glucosemonitoring (CGM) en biologische analyses te combineren, maakt AI het mogelijk om geïndividualiseerde profielen op te stellen.
Deze benaderingen gaan verder dan alleen het meten van geglycosyleerd hemoglobine (HbA1c) en bieden een dynamisch beeld van de glykemische evolutie en de respons op behandelingen. Klinisch gevalideerde apparaten, zoals continue glucosesensoren die zijn geïntegreerd in AI-algoritmen, worden al gebruikt om de behandeling van diabetes type 2 in real time aan te passen.
Precisievoeding en multiomics
In bepaalde complexe situaties, zoals diabetes bij patiënten die peritoneale dialyse ondergaan, maakt AI in combinatie met multiomics-technologieën – de aanpak waarbij verschillende soorten biologische gegevens (‘omics’) worden gecombineerd en geïntegreerd, naast alleen genetische gegevens – de weg vrij voor precisiegeneeskunde. Door genetische, metabole en microbioomgegevens geïntegreerd te analyseren, kunnen voedingsaanbevelingen op maat worden gemaakt. Volgens Sara Mahdavi (Advances in Nutrition(5)) “maakt de integratie van multiomics-gegevens door AI het mogelijk om zeer gepersonaliseerde voedingsadviezen te geven, afgestemd op de specifieke uitdagingen van diabetespatiënten die dialyse ondergaan”.
Therapeutisch onderzoek en digitale tweelingen
AI speelt ook een sleutelrol in het onderzoek naar nieuwe behandelingen, met name voor diabetes type 1. Met digitale tweelingmodellen kunnen therapeutische combinaties worden getest en doses worden geoptimaliseerd nog voordat er klinische proeven worden uitgevoerd.
Deze benaderingen versnellen de ontwikkeling van gerichte therapieën, of het nu gaat om immuuntherapieën of geneesmiddelen die de endogene insulinesecretie in stand houden.
Referenties:
1. Huang, L.; Huhulea, E.N.; Abraham, E.; Bienenstock, R.; Aifuwa, E.; Hirani, R.; Schulhof, A.; Tiwari, R.K.; Etienne, M. The Role of Artificial Intelligence in Obesity Risk Prediction and Management: Approaches, Insights, and Recommendations. Medicina 2025, 61, 358. https://doi.org/10.3390/medicina61020358.
2. Azmi, S.; Kunnathodi, F.; Alotaibi, H.F.; Alhazzani, W.; Mustafa, M.; Ahmad, I.; Anvarbatcha, R.; Lytras, M.D.; Arafat, A.A. Harnessing Artificial Intelligence in Obesity Research and Management: A Comprehensive Review. Diagnostics
2025, 15, 396. https://doi.org/10.3390/diagnostics15030396.
3. Amit Gangwal, Antonio Lavecchia, Artificial intelligence in anti-obesity drug discovery: unlocking next-generation therapeutics, Drug Discovery Today 2025, https://doi.org/10.1016/j.drudis.2025.104333.
4. Khokhar PB, Gravino C, Palomba F. Advances in artificial intelligence for diabetes prediction: insights from a systematic literature review. Artificial Intelligence in Medicine 2025 Jun;164:103132. https://doi.org/10.1016/j.artmed.2025.103132.
5. Mahdavi S, Anthony NM, Sikaneta T, Tam PY. Perspective: Multiomics and Artificial Intelligence for Personalized Nutritional Management of Diabetes in Patients Undergoing Peritoneal Dialysis. Advances in Nutrition 2025 Mar;16(3):100378. https://doi.org/10.1016/j.advnut.2025.100378.
