Nowoczesne metody przewidywania rokowania w stwardnieniu rozsianym

Tradycyjne metody oceny rokowania w stwardnieniu rozsianym, opierające się głównie na obserwacji klinicznej i podstawowych badaniach, stopniowo ustępują miejsca zaawansowanym technologiom. Heterogeniczna natura przebiegu stwardnienia rozsianego uniemożliwia dokładne przewidywanie przy użyciu istniejących wskaźników prognostycznych i ustalonych biomarkerów, które przyjmują podejście „jeden rozmiar dla wszystkich” bez uwzględnienia różnic indywidualnych¹. Nowoczesne metody oferują nadzieję na znacznie dokładniejsze i spersonalizowane przewidywanie przebiegu choroby.

Modele uczenia maszynowego w prognozowaniu

Uczenie maszynowe (ML) wykazuje obiecujące rezultaty w przewidywaniu progresji stwardnienia rozsianego. Modele ML mogą niezawodnie informować klinicystów o przyszłym wystąpieniu progresji i są wystarczająco dojrzałe do przeprowadzenia badania wpływu klinicznego². Dobra dyskryminacja i wydajność kalibracji na zewnętrznym zestawie walidacyjnym jest osiągana przy użyciu tylko rutynowo zbieranych zmiennych².

W jednym z badań najlepsze wyniki uzyskano w modelu XGBoost z dokładnością 88,5% i wynikiem F1 równym 88,9%³. Ten model mógł wykluczyć agresywny przebieg choroby w 94,9% przypadków, używając tylko nieinwazyjnych cech rutynowo zbieranych najwcześniej podczas kontaktu pacjenta z kliniką³.

Modele ML wykazują szczególną skuteczność w przewidywaniu różnych aspektów progresji choroby. Dla przewidywania rozwoju wtórnie postępującego stwardnienia rozsianego najlepsze wyniki uzyskano w perspektywie dwuletniej z AUC=0,86±0,07, podczas gdy dla przewidywania ciężkości choroby w 6. roku progresji osiągnięto AUC=0,89±0,03⁴.

Biomarkery płynów ustrojowych

Kombinacje biomarkerów płynów ustrojowych wykazują znacząco wyższą dokładność niż pojedyncze markery w przewidywaniu diagnozy i prognozy stwardnienia rozsianego⁵. Badania wykazały, że kombinacje do sześciu biomarkerów mierzonych w płynie mózgowo-rdzeniowym lub surowicy zapewniają stopniowe poprawy w przewidywaniu diagnozy i prognozy⁶.

Jedynym powszechnie dostępnym testem laboratoryjnym o wyraźnie udowodnionej wartości prognostycznej w stwardnieniu rozsianym jest obecnie badanie oligoklonalnych pasm (OCB) w płynie mózgowo-rdzeniowym⁷. Obecność OCB specyficznych dla płinu mózgowo-rdzeniowego w zespole klinicznie izolowanym niezależnie zwiększa ryzyko konwersji do klinicznie pewnego stwardnienia rozsianego o 30% i ryzyko akumulacji niepełnosprawności dwukrotnie⁷.

Nowoczesne panele biomarkerów obejmują markery aktywacji i konsumpcji dopełniacza, co dostarcza dowodów na trwającą lokalną i systemową dysregulację dopełniacza w stwardnieniu rozsianym⁶. Te wieloparametrowe testy mogą w przyszłości znacząco poprawić dokładność diagnostyczną i prognostyczną⁶.

Zaawansowane techniki obrazowania MRI

Rezonans magnetyczny odgrywa kluczową rolę jako biomarker obrazowy w stwardnieniu rozsianym, pełniąc istotną funkcję w diagnostyce, monitorowaniu, prognozowaniu i ocenie wyników⁸. Uczenie maszynowe oparte na MRI przedstawia obiecującą ścieżkę dla prognozy stwardnienia rozsianego¹.

Znaczące kamienie milowe w przebiegu stwardnienia rozsianego to konwersja zespołu klinicznie izolowanego do klinicznie pewnego stwardnienia rozsianego oraz kolejne oznaki zwiększonej aktywności choroby odzwierciedlające zaostrzenie niepełnosprawności związanej ze stwardnieniem rozsianym⁸. Wyższa liczba zmian w rdzeniu kręgowym na początku była związana z wyższym ryzykiem rzutu przez około 3 lata⁷.

Najnowsze badania wykorzystują ukryte cechy obrazowe uzyskane z segmentowanych masek zmian za pomocą modeli głębokiego uczenia, zamiast tradycyjnie ekstraktowanych cech zmian MRI, które są silnie uzależnione od wiedzy eksperckiej i podatne na błędy⁹. Integracja biomarkerów obrazowych z innymi danymi multimodalnymi pacjenta wykazuje wielki potencjał dla rozwijania spersonalizowanych podejść opieki zdrowotnej w stwardnieniu rozsianym¹.

Badania OCT siatkówki jako biomarker prognostyczny

Tomografia koherentna optyczna (OCT) siatkówki została zidentyfikowana jako biomarker progresji choroby w rzutowo-remisyjnym stwardnieniu rozsianym, podczas gdy dynamika atrofii siatkówki w postępującym stwardnieniu rozsianym jest mniej jasna¹⁰. Grubość okołotarczowej i plamkowej warstwy włókien nerwowych siatkówki (pRNFL, mRNFL) przewidywała przyszłe rzuty u wszystkich pacjentów ze stwardnieniem rozsianym i RRMS¹⁰.

Grubość mRNFL i warstwy komórek zwojowych-wewnętrznej warstwy pleksyformowej (GCIPL) przewidywała przyszłą aktywność MRI w RRMS, podczas gdy grubość GCIPL przewidywała tę aktywność w PPMS¹⁰. Grubość mRNFL przewidywała również przyszłą progresję niepełnosprawności w PPMS¹⁰.

Analiza 2651 pomiarów OCT od 195 pacjentów z RRMS, 87 z SPMS, 125 z PPMS i 98 osób kontrolnych z pięciu niemieckich ośrodków stwardnienia rozsianego wykazała, że degeneracja siatkówki występowała i przewidywała aktywność choroby we wszystkich podtypach stwardnienia rozsianego¹⁰. Jednak podłużne wskaźniki zmian grubości w rozsądnych odstępach czasu były obarczone znaczną zmiennością pomiarową i nie nadawały się do przewidywania aktywności choroby na poziomie pojedynczego pacjenta¹¹.

Integracja danych multimodalnych

Integracja danych multimodalnych jest prawdopodobnie najlepszym rozwiązaniem dla spersonalizowanego podejścia medycyny w prognozie stwardnienia rozsianego¹². Połączenie różnych typów danych – klinicznych, obrazowych, laboratoryjnych i genomicznych – pozwala na tworzenie bardziej dokładnych i wszechstronnych modeli prognostycznych.

Badania sugerują, że modele prognostyczne wykorzystujące kombinacje czynników są znacząco lepsze niż te opierające się na pojedynczych biomarkerach⁵. Dane ze złożoności biologii stwardnienia rozsianego wskazują, że kombinacja markerów może poprawić przewidywania w porównaniu z jakimkolwiek markerem w izolacji⁶.

Wyzwania i ograniczenia nowoczesnych metod

Pomimo obiecujących wyników, nowoczesne metody prognostyczne w stwardnieniu rozsianym napotykają na szereg wyzwań. Poleganie na walidacji krzyżowej w tych badaniach budzi obawy dotyczące potencjalnego przeuczenia i prawdziwej generalizowalności modeli na niewidzianych danych¹².

Wyzwania heterogeniczności danych MRI w wieloośrodkowych zestawach danych zostały podkreślone jako istotny problem¹². Porównywanie skuteczności różnych modeli predykcyjnych stwarza znaczne wyzwania ze względu na różnice w metodologiach i populacjach badanych¹².

Użyteczność modeli biomarkerowych może zostać ustalona tylko poprzez solidną walidację w różnych i zróżnicowanych kohortach⁵. Literatura dotycząca prognozy poznawczej z użyciem uczenia maszynowego w stwardnieniu rozsianym jest skąpa, co wskazuje na potrzebę dalszych badań w tym obszarze¹³.

Przyszłość prognostyki w stwardnieniu rozsianym

Przyszłość prognostyki w stwardnieniu rozsianym wydaje się bardzo obiecująca. Kilka trendów w uczeniu maszynowym mogłoby przezwyciężyć obecne przeszkody w modelowaniu prognostycznym napędzanym przez ML w stwardnieniu rozsianym, takie jak niedobór danych podłużnych¹³.

Rozwój federacyjnych podejść technicznych i organizacyjnych stanowi innowacyjne badania medyczne oparte na danych¹⁴. Takie podejścia mogą umożliwić wykorzystanie dużych, międzynarodowych baz danych przy jednoczesnym zachowaniu prywatności pacjentów i standardów bezpieczeństwa.

Modele, które dokładnie przewidują progresję niepełnosprawności u osób ze stwardnieniem rozsianym, mają potencjał, aby znacznie przynieść korzyści zarówno pacjentom, jak i pracownikom medycznym, pomagając w planowaniu życia i podejmowaniu decyzji dotyczących leczenia². Integracja uczenia maszynowego i biomarkerów MRI dla zadań predykcyjnych w progresji stwardnienia rozsianego przedstawia obiecującą drogę dla rozwijania klinicznych spostrzeżeń¹².