Nowoczesne modele predykcyjne w mukowiscydozie – przełom w ocenie rokowania

Tradycyjne podejście do oceny rokowania w mukowiscydozie opierało się głównie na pomiarze natężonej objętości wydechowej pierwszosekundowej (FEV1). Aktualne wytyczne konsensusu, zalecane przez Międzynarodowe Towarzystwo Transplantacji Serca i Płuc (ISHLT), sugerują rozważenie pacjenta do oceny pod kątem przeszczepienia płuc, gdy FEV1 spadnie poniżej 30% przewidywanej wartości nominalnej¹². Te wytyczne, szeroko stosowane w praktyce klinicznej, opierają się głównie na fundamentalnym badaniu Kerem i współpracowników, które zidentyfikowało FEV1 jako główny predyktor śmiertelności u pacjentów z mukowiscydozą¹.

Ograniczenia tradycyjnych kryteriów

Chociaż biomarker FEV1 został wielokrotnie potwierdzony jako silny predyktor śmiertelności u pacjentów z mukowiscydozą, najnowsze badania pokazały, że zachowanie dotyczące przeżywalności pacjentów z FEV1 poniżej 30% wykazuje znaczną heterogenność²³. Poprawa rokowania w mukowiscydozie na przestrzeni lat zmieniła epidemiologię i demografię populacji pacjentów, co mogło w konsekwencji zmienić istotne czynniki ryzyka²³.

Dotychczas żaden z istniejących modeli prognostycznych łączących wiele czynników ryzyka nie był w stanie wykazać znaczącej poprawy w przewidywaniu śmiertelności w porównaniu z kryterium FEV1 pod względem dodatniej wartości predykcyjnej, która jest miarą bliską wskaźnikowi przedwczesnych skierowań do przeszczepu płuc³.

Przełom – system AutoPrognosis

Rewolucyjnym rozwiązaniem okazał się system AutoPrognosis wykorzystujący automatyczne uczenie maszynowe. System ten był w stanie osiągnąć dodatnią wartość predykcyjną na poziomie 65% (95% CI: 61-69%), podczas gdy wartość osiągana przez kryterium FEV1 zalecane przez wytyczne wynosi zaledwie 48% (95% CI: 44-52%) przy stałym poziomie czułości³⁴.

AutoPrognosis ujawnił nowe spojrzenie na znaczenie zmiennych odzwierciedlających zaburzenia w wymianie gazowej płucnej w poprawie precyzji i użyteczności klinicznej modeli prognostycznych⁴⁵. Dzięki przyjęciu modelu nauczonego przez AutoPrognosis do skierowań na przeszczep płuc, oczekuje się, że odsetek pacjentów na liście oczekujących na przeszczep płuc, którzy są rzeczywiście zagrożeni, wzrośnie z 48% do 65%⁶.

Zastosowania kliniczne nowoczesnych modeli

Użyteczność kliniczna AutoPrognosis nie ogranicza się do skierowań na transplantację. Przewidywania generowane przez AutoPrognosis służą jako szczegółowe wskaźniki ryzyka, które mogą określić ciężkość przyszłych wyników i tym samym mogą być wykorzystywane do planowania leczenia, ustalania harmonogramu wizyt kontrolnych lub szacowania czasu, kiedy przeszczep będzie potrzebny w przyszłości⁴⁵.

AutoPrognosis był w stanie nauczyć się reguły przewidywania, która ostrożnie łączy zmienne spirometryczne i wymiany gazowej w celu stworzenia precyzyjnego kryterium skierowania na przeszczep płuc, które dokładnie rozróżnia pacjentów, którzy są rzeczywiście zagrożeni, od tych, którzy nie potrzebują płuca w najbliższej przyszłości⁶.

Kompleksowe modele predykcyjne

Oprócz systemów opartych na uczeniu maszynowym, opracowano również tradycyjne modele statystyczne wykorzystujące regresję logistyczną i model Coxa. Te modele uwzględniają szeroki zakres predyktorów, w tym FEV1 jako procent wartości przewidywanej, BMI, wiek w momencie diagnozy, wiek pacjenta, liczbę zaostrzeń płucnych, rasę, płeć, cukrzycę związaną z mukowiscydozą, stosowanie kortykosteroidów, zakażenia różnymi bakteriami oraz stosowanie enzymów trzustkowych⁷⁸.

Modele te zostały wewnętrznie zwalidowane z dokładnością przewidywania na poziomie 89% dla modelu regresji logistycznej i 92% dla modelu Coxa⁹. Zostały one przetłumaczone na nomogramy, które upraszczają badanie tego, jak różne cechy odnoszą się do rokowania przeszczepu i przeżycia u osób z mukowiscydozą nieobtrzymujących wysoce skutecznej terapii modulatorami CFTR⁸.

Znaczenie dla praktyki klinicznej

Identyfikacja charakterystyk klinicznych zaangażowanych w przewidywanie, kiedy dana osoba będzie wymagała przeszczepu płuc, może prowadzić do bardziej spersonalizowanego podejścia do skierowania na przeszczep i umieszczenia na liście oczekujących⁸. Wykorzystanie tych zaawansowanych modeli pozwala na bardziej precyzyjną ocenę indywidualnego ryzyka i może znacząco wpłynąć na poprawę wyników leczenia pacjentów z mukowiscydozą.