MAATSCHAPPELIJKE OUTREACH Samenvatting Technologische vooruitgang heeft de identificatie van genen voor zeldzame aandoeningen verbeterd. Traditionele methoden waren tijdrovend en kostbaar, terwijl Next Generation Sequencing sinds 2005 de diagnostiek heeft versneld en veel genetische informatie toegankelijk maakt. Hierdoor groeit de behoefte aan efficiëntere analysemethoden, waarbij Artificial Intelligence een belangrijke rol speelt in het analyseren van genetische data. Deze studie onderzoekt de effectiviteit van AI-tools, zoals Phen2Gene, Phenolyzer, CADA en GADO, in het stellen van genetische diagnoses, met gebruik van de Human Phenotype Ontology. De tools werden toegepast op 50 patiënten, van wie bij 24 een causale variant bekend was. Eerst werd een controle uitgevoerd met vijf monogenetische syndromen, waarbij over het algemeen goede resultaten werden behaald, met gunstige posities voor de causale genen. Het onderzoek toont aan dat zowel de specificiteit als de hoeveelheid HPO-termen invloed hebben op de uitkomsten. De variatie in specificiteit was aanzienlijk, wat het belang benadrukt van een nauwkeurige en gedetailleerde klinische beschrijving door clinici. De hoeveelheid ingevoerde HPO-termen had slechts een beperkte invloed op de resultaten. Bij de analyse van de positie van het gen met de causale variant presteerde CADA beter dan de andere tools, terwijl GADO de laagste rangschikking behaalde. Desondanks bleven de gemiddelde posities van de causale genen relatief hoog, wat vraagtekens plaatst bij de betrouwbaarheid van de resultaten. De studie beoordeelde ook de gebruiksvriendelijkheid van de tools. De meeste zijn gratis, maar GADO heeft beperkingen bij het invoeren van HPO-termen, wat de nauwkeurigheid kan beïnvloeden. Phen2Gene maakt het invoeren van volledige klinische brieven mogelijk, wat de efficiëntie verhoogt. Hoewel de meeste tools snel zijn, heeft Phenolyzer een langere verwerkingstijd. Toekomstig onderzoek moet zich richten op het verbeteren van deze AI-tools, en clinici moeten alert blijven op mogelijke fouten in genprioritering. De integratie van AI biedt veelbelovende perspectieven voor genetische diagnostiek. Maatschappelijke meerwaarde Het grootste probleem van genetische diagnostiek is de lange duur en de hoge kost van het proces om een variant te vinden die passend is bij het fenotype van een bepaalde patiënt. Daarnaast wordt er niet altijd een causale variant gevonden. Artificiële intelligentie zou hier mogelijk een oplossing voor kunnen bieden. Dit onderzoek bouwt verder op eerdere studies over het gebruik van AI voor genetische diagnostiek, door een vergelijkende analyse uit te voeren van momenteel beschikbare AI-systemen om zo de meest accurate genprioritering te bepalen. Als een of meer van deze tools efficiënt en effectief werken, kan dit mogelijk een voorbode zijn voor een vordering van dit AI-systeem dat later zou kunnen leiden tot snellere en accurate diagnosestelling. Indien dit soort systeem zou kunnen toegepast worden kan dit mogelijk bijdragen aan de vroegtijdige detectie en correcte interventie bij genetische stoornissen.