Przewidywanie długoterminowych wyników w afazji przeszło znaczącą ewolucję dzięki rozwojowi nowoczesnych narzędzi diagnostycznych i modeli prognostycznych. Opracowanie specjalistycznych systemów przewidywania, takich jak modele SPEAK, oraz wykorzystanie zaawansowanego neuroobrazkowania funkcjonalnego revolutionizuje sposób, w jaki lekarze mogą informować pacjentów o ich prognozach i planować optymalne strategie terapeutyczne1.
Model SPEAK i jego zastosowanie kliniczne
Model SPEAK (Sequential Prognostic Evaluation of Aphasia after stroKe) został opracowany specjalnie do przewidywania długoterminowych wyników afazji po udarze1. Oryginalny model, przemianowany na SPEAK-12, ma dobre właściwości dyskryminacyjne, ale wymaga dalszej zewnętrznej walidacji1. Model ten bardzo dobrze radzi sobie z przewidywaniem wyników językowych po roku u pacjentów z afazją spowodowaną udarem2.
Ze względu na różnice w czasie oceny wyników między badaniami walidacyjnymi, opracowano zaktualizowaną wersję modelu3. Zaproponowano SPEAK-6 do przewidywania prawdopodobieństwa dobrego wyniku językowego po 6 miesiącach23. Model SPEAK-6 może być używany w codziennej praktyce do rozróżniania między pacjentami po udarze z dobrymi i pacjentami ze słabymi wynikami językowymi po 6 miesiącach od udaru2.
Kalibracja była początkowo niezadowalająca, ponieważ była nadmiernie optymistyczna w przewidywaniu dobrego wyniku afazji, częściowo ze względu na różnicę w czasie oceny wyniku3. Dlatego zaproponowano zaktualizowaną wersję modelu SPEAK dla przewidywania wyniku po 6 miesiącach, kiedy średnie prawdopodobieństwo dobrego wyniku jest niższe niż po roku3.
Rola neuroobrazkowania funkcjonalnego
Wczesne funkcjonalne neuroobrazkowanie poprawia przewidywanie wyników w afazji po udarze4. Znajomość wzorców czasoprzestrzennych zmian w sieci językowej może pomóc w przewidywaniu wyników u pacjentów z afazją po udarze4. Wynik językowy był związany ze wzrostem aktywacji w lewym i prawym tylnym dolnym zakręcie skroniowym w ciągu pierwszego roku, podczas gdy wzrost aktywacji w prawym dolnym zakręcie czołowym był odwrotnie skorelowany z powrotem do zdrowia językowego4.
Przewidywanie wyników językowych poprawia się przez dodanie wczesnej aktywacji językowej lewej tylnej dolnej zakrętu skroniowego do modelu regresji z wyjściową wydajnością językową jako pierwszym predyktorem4. Przewidywanie wyniku poprawia się przez dodanie stopnia aktywacji lewej tylnej dolnej zakrętu skroniowego podczas zadań językowych w fazie podostrej do modelu regresji obejmującego wiek, objętość uszkodzenia i wydajność językową na początku4.
Badanie pokazuje, że ocena aktywacji funkcjonalnej nienaruszonej sieci językowej może dalej pomóc w przewidywaniu wyników4. Te odkrycia mają istotne implikacje kliniczne, ponieważ pozwalają na bardziej precyzyjne przewidywanie indywidualnych wyników i dostosowanie strategii terapeutycznych.
Znaczenie czasowego aspektu przewidywań
Szczególną uwagę należy zwrócić na timing, ponieważ czas po początku udaru, w którym zbiera się dane predykcyjne i wyniki, wydaje się kluczowy dla odpowiedniej walidacji modelu2. W jednym z badań, autorzy postanowili zidentyfikować behawioralne i neurologiczne predyktory ciężkości upośledzenia językowego w fazie podostrej po udarze, czyli około 2 tygodni po udarze, na podstawie bezpośrednich ostrych testów i pomiarów (uzyskanych w ciągu 72 godzin po udarze)5.
Najsilniejszym predyktorem złożonego wyniku językowego w fazie podostrej okazał się wynik, który został uzyskany w fazie ostrej6. Pozytywna korelacja oznacza, że rzeczywisty powrót do zdrowia w fazie podostrej jest rzeczywiście przewidywany przez ciężkość, ale w przeciwnym kierunku niż zwykle znajdujemy w badaniach przewlekłej afazji6. Najwyraźniej, jeśli w ogóle, pacjenci, którzy są ciężej upośledzone bezpośrednio po udarze, wykazują silniejszy spontaniczny powrót do zdrowia w fazie podostrej (dwa tygodnie po udarze) w tym badaniu6.
Podejścia multimodalne w przewidywaniu
Niezawodne podejścia do przewidywania odpowiedzi na leczenie afazji pozostają nieuchwytne ze względu na złożoną i heterogeniczną naturę tego nabytego stanu7. Integracja podejść multimodalnych, które łączą różne źródła danych (np. biomarkery, miary behawioralne i neuroobrazkowe) daje nadzieję na udoskonalenie modeli predykcyjnych powrotu do zdrowia w afazji i dostosowywanie interwencji do indywidualnych potrzeb, ostatecznie optymalizując powrót do zdrowia w afazji7.
Przewidywanie powrotu do zdrowia w afazji jest z natury trudne ze względu na złożone współdziaływanie różnych czynników8. Można założyć, że ponieważ kilka czynników może wpływać na wyniki leczenia (np. wiek, typ i ciężkość afazji, choroby współistniejące, motywacja i zaangażowanie), można dokonać przewidywań na temat tego, kto reaguje na leczenie afazji8. Jednak rzeczywistość jest znacznie bardziej złożona.
Ograniczenia obecnych metod przewidywania
Przy uznaniu faktu, że wszystkie te miary są wadliwe w różnym stopniu iz różnych powodów, najlepiej jest podawać wielokrotne miary w naszych raportach9. Niezależnie od tego, co wybierzemy, nie możemy jednak (1) wysuwać niekwalifikowanych twierdzeń o początkowej bezwzględnej ciężkości przewidującej bezwzględną ciężkość na późniejszych etapach, lub (2) wysuwać niekwalifikowanych twierdzeń o początkowej ciężkości przewidującej wyniki zmian, jeśli te wyniki same w sobie są bezpośrednio ważone przez początkową ciężkość9.
Jeśli chcemy zbadać, w jakim stopniu wyjściowa ciężkość jest predyktorem odpowiedzi na leczenie, surowe wyniki zmian nadal wydają się być najbardziej informacyjne6. Najprostszą odpowiedzią jest surowa różnica (zmiana) wyniku między pomiarem przedterapeutycznym a poterapeutycznym – im większa zmiana, tym silniejsza odpowiedź na leczenie5.
Przyszłość przewidywania rokowania
Zaleca się dalszą zewnętrzną walidację modeli SPEAK-12 i SPEAK-62. Po dodatkowej zewnętrznej walidacji, zaktualizowany model SPEAK, SPEAK-6, może być używany w codziennej praktyce do rozróżniania między pacjentami z dobrymi i pacjentami ze słabymi wynikami afazji po sześciu miesiącach od udaru1.
Przyszłość przewidywania rokowania w afazji leży w rozwoju coraz bardziej wyrafinowanych modeli, które integrują dane z wielu źródeł. Połączenie tradycyjnych ocen klinicznych z nowoczesnymi technikami neuroobrazkowania, analizą genetyczną i biomarkerami może prowadzić do znacznie bardziej precyzyjnych przewidywań indywidualnych wyników. To z kolei umożliwi bardziej spersonalizowane podejście do terapii i lepsze informowanie pacjentów o ich prognozach.













