Betere diagnose voor tremor en myoclonus

We zijn trots om te delen dat een belangrijke nieuwe publicatie uit de NEMO-studie (Next Move in Movement Disorders) is verschenen in Clinical Neurophysiology.

In deze studie onderzochten we hoe kunstmatige intelligentie (machine learning) kan helpen bij het onderscheid maken tussen essentiële tremor en corticale myoclonus. Hoewel deze aandoeningen verschillende oorzaken hebben en vaak om een andere behandeling vragen, kunnen ze er in de spreekkamer soms opvallend vergelijkbaar uitzien. Het correct herkennen van de onderliggende bewegingsstoornis is daarom van groot belang.

Met behulp van spiermetingen (EMG) van deelnemers uit de NEMO-studie analyseerden we patronen van spieractiviteit die voor het menselijk oog moeilijk te kwantificeren zijn. De machine learning-modellen bleken essentiële tremor en corticale myoclonus zeer goed van elkaar te kunnen onderscheiden, met een diagnostische nauwkeurigheid die in deze onderzoeksgroep opliep tot een AUROC van 0,93.

Daarnaast liet de studie iets zien wat bewegingsstoornisspecialisten al jaren herkennen vanuit de klinische neurofysiologie (KNF): bij essentiële tremor zien we meestal een regelmatig en vaak afwisselend patroon van spieractiviteit, terwijl corticale myoclonus juist wordt gekenmerkt door een onregelmatig en synchroon activatiepatroon. Onze resultaten leveren hiervoor nu ook objectieve statistische onderbouwing.

Waarom is dit belangrijk?

Voor patiënten kan een juiste diagnose het verschil maken tussen onzekerheid en gerichte behandeling. Voor zorgprofessionals laat deze studie zien dat moderne data-analyse en klinische neurofysiologie elkaar steeds beter aanvullen. Het uiteindelijke doel is om expertise van clinici te ondersteunen met objectieve meetmethoden, zodat patiënten sneller de juiste diagnose krijgen.

Internationale aandacht

Bijzonder mooi is dat deze publicatie werd vergezeld door een editorial in hetzelfde nummer van Clinical Neurophysiology. In dit commentaar wordt onze studie genoemd als een belangrijk voorbeeld van hoe machine learning de klinische neurofysiologie van bewegingsstoornissen vooruit kan helpen. Tegelijkertijd benadrukt de auteur dat zorgvuldige validatie en klinische expertise essentieel blijven voordat zulke technieken breed in de dagelijkse praktijk kunnen worden ingezet.

Dank aan alle deelnemers

Deze resultaten waren alleen mogelijk dankzij de inzet van de patiënten die deelnamen aan de NEMO-studie. Met hun deelname dragen zij direct bij aan de ontwikkeling van betere diagnostische hulpmiddelen voor mensen met bewegingsstoornissen, nu en in de toekomst.

Figuur uit de publicatie. Met behulp van machine learning konden patiënten met essentiële tremor (blauw) en corticale myoclonus (oranje) goed van elkaar worden onderscheiden op basis van spiermetingen (EMG). De verschillende panelen laten zien welke signalen en kenmerken hierbij het meest informatief waren.

Lees hier de publicatie:
van den Brandhof EL et al. Machine learning based EMG analysis of intermuscular coherence and cumulant density in tremor and myoclonus. Clinical Neurophysiology (2026).

Lees hier het begeleidende editorial:
Grippe T. Machine learning-based diagnosis of movement disorders using clinical neurophysiology: are we ready? Clinical Neurophysiology (2026).