Modele predykcyjne w artretyzmie – narzędzia przewidywania odpowiedzi

Rozwój modeli predykcyjnych w artretyzmie stanowi przełomowe osiągnięcie współczesnej reumatologii, umożliwiające przewidywanie odpowiedzi na leczenie przed jego rozpoczęciem. Te zaawansowane narzędzia matematyczne łączą różnorodne dane kliniczne, laboratoryjne i obrazowe w celu stworzenia precyzyjnych prognoz dotyczących wyników terapii¹.

Rodzaje modeli predykcyjnych

Modele kliniczne przewidywania (CPM) to formuły matematyczne używane do szacowania prawdopodobieństwa wystąpienia określonej choroby lub wyniku u danego pacjenta w przyszłości¹. W badaniach zidentyfikowano 22 studia rozwoju modeli i jedno połączone studium rozwoju i walidacji zewnętrznej, przedstawiające łącznie 39 klinicznych modeli predykcyjnych².

Współczesne modele wykorzystują różnorodne zmienne, w tym status przeciwciał przeciwko cytrulinowanym peptydom (ACPA), status palenia tytoniu, erozje, status czynnika reumatoidalnego, poziom białka C-reaktywnego, OB, liczbę obrzękniętych stawów oraz naczyniowość błony maziowej w ultrasonografii Power Doppler². Badane wyniki obejmują erozje i progresję radiologiczną, aktywność choroby, funkcję fizyczną oraz remisję według skali DAS-28².

Modele przewidywania odpowiedzi na metotreksat

Szczególnie dokładnie opracowano modele przewidywania odpowiedzi na metotreksat u pacjentów z artretyzmem. Opracowany i zwalidowany model przewidywania niewystarczającej odpowiedzi na 3-miesięczną terapię metotreksatem obejmuje następujące zmienne: DAS28 ≥ 5,1 przed rozpoczęciem leczenia, HAQ ≥ 0,6, genotyp ABCB1 rs1045642, genotyp ABCC3 rs4793665, folian erytrocytowy ≥ 750 nmol/L, obecne palenie oraz BMI ≥ 25 kg/m²³.

Model ten prawidłowo klasyfikował 80% pacjentów zarówno w kohorcie rozwojowej, jak i walidacyjnej³. Przewidywanie braku odpowiedzi na metotreksat przed rozpoczęciem leczenia ma kluczowe znaczenie, ponieważ pierwsze miesiące po diagnozie reprezentują okno możliwości, podczas którego wyniki mogą być bardziej skutecznie modulowane przez terapię³.

Biomarkery predykcyjne w terapiach biologicznych

Identyfikacja biomarkerów predykcyjnych, które mogą pomóc w doborze odpowiedniej terapii przeciwcytokinowej dla pacjentów z artretyzmem, stanowi główny cel badań prognostycznych⁴. Badania wykazały, że poziomy sgp130, logIL-6, logIL-8, logEotaxin, logIP-10, logVEGF, logsTNFR-I i logsTNFR-II w surowicy przed leczeniem były predykcyjne dla wyniku DAS28-CRP w 16. tygodniu u pacjentów leczonych tocilizumabem po raz pierwszy⁴.

U pacjentów wcześniej leczonych biologikami predykcyjnymi okazały się być sgp130, logGM-CSF i logIP-10⁴. Analiza regresji wielokrotnej liniowej i logistycznej zidentyfikowała biomarkery predykcyjne remisji w terapii tocilizumabem i etanerceptem⁵.

Zastosowanie uczenia maszynowego

Nowoczesne badania wykorzystują techniki uczenia maszynowego do tworzenia bardziej precyzyjnych modeli predykcyjnych. Badania wykazały, że uczenie maszynowe może zapewnić dokładne przewidywanie nawrotu u pacjentów z artretyzmem⁶. Kombinacja danych z badania ultrasonograficznego i testów krwi wykazała wyższe wartości AUC niż te obliczone przy użyciu pojedynczych danych⁶.

Wśród dziesięciu cech wybranych przez rekurencyjną eliminację cech w algorytmie XGBoost, wyniki SMI nadgarstka i stawów śródstopno-palcowych były dwoma najważniejszymi cechami, sugerując, że dane ultrasonograficzne znacząco poprawiły przewidywanie nawrotu u pacjentów z artretyzmem⁶.

Badania z wykorzystaniem technik eksploracji danych wykazały, że dokładność modeli przewidywania przy użyciu regresji logistycznej, SVM i drzewa decyzyjnego wyniosła odpowiednio 0,7927, 0,7829 i 0,9094⁷. Techniki oparte na drzewach decyzyjnych mogą być bardziej wydajne i dokładne niż inne tradycyjne klasyfikatory⁷.

Modele przewidywania w niezróżnicowanym zapaleniu stawów

Znaczna część pacjentów prezentujących prawdopodobny artretyzm lub niezróżnicowane zapalenie stawów progresuje do pełnoobjawowego artretyzmu⁹. Odpowiednie podejmowanie decyzji terapeutycznych we wczesnym niezróżnicowanym zapaleniu stawów wymaga identyfikacji pacjentów, którzy rozwiną artretyzm⁹.

Opracowano regułę przewidującą szanse rozwoju artretyzmu u indywidualnych pacjentów z niezróżnicowanym zapaleniem stawów⁹. Reguła ta dokładnie szacuje ryzyko artretyzmu u ponad 75% pacjentów z niedawno rozpoczętym niezróżnicowanym zapaleniem stawów¹⁰. Wartość AUC po zastosowaniu ponownie wyprowadzonej reguły predykcyjnej wynosiła 0,88¹⁰.

Praktyczne zastosowanie i ograniczenia

Pomimo znaczących postępów w rozwoju modeli predykcyjnych, nadal istnieje niepewność co do optymalnych modeli przewidywania do zastosowania w praktyce klinicznej². Ogólnie rzecz biorąc, nie ma wystarczających dowodów na to, że efekt leczenia zależy od charakterystyk wyjściowych².

Istnieją dowody statystyczne sugerujące, że status ACPA, liczba obrzękniętych stawów i status ultrasonografii Power Doppler na początku leczenia mogą być modyfikatorami efektu terapeutycznego, ale niekoniecznie są one prognostyczne dla odpowiedzi na wszystkie leczenia². Model powinien być zwalidowany w badaniu, w którym niewystarczającą odpowiedź przewiduje się przed rozpoczęciem leczenia, a pacjentów leczy zgodnie z przewidywaną niewystarczającą odpowiedzią³.

Przyszłość modeli predykcyjnych

Współczesne badania sugerują, że biomarkery predykcyjne identyfikowane poprzez kwantyfikację cytokin, chemokin i receptorów rozpuszczalnych są bardziej praktyczne i użyteczne niż analiza genowa⁸. Przewidywanie przed terapią z wykorzystaniem surowicy krwi może być możliwe, ponieważ poziomy cytokin i chemokin w surowicy pacjentów odzwierciedlają stan choroby i genetyczny profil pacjenta⁵.

Zastosowanie technik eksploracji danych do analizy pacjentów bez i z powikłaniami oraz przewidywania, czy wartość OB będzie w zakresie normalnym, pokazuje obiecujące wyniki w praktyce klinicznej⁷. Te podejścia mogą być szeroko przyjęte w celu wspomagania klinicystów w podejmowaniu lepszych decyzji dotyczących leczenia⁷.