Nowoczesne metody przewidywania progresji w DMD

Rewolucja w przewidywaniu progresji choroby

Sztuczna inteligencja ma potencjał do rewolucjonizacji opieki zdrowotnej, jednak badania kliniczne chorób neurologicznych nadal opierają się na subiektywnych, półilościowych i zależnych od motywacji punktach końcowych w rozwoju leków. Nowe podejście wykorzystujące AI może fundamentalnie zmienić charakterystykę choroby, rozwijać obiektywnie kwantyfikowalne odczyty i tym samym zmniejszyć niezbędną wielkość kohorty oraz czas do osiągnięcia punktu końcowego¹.

Innowacyjne metody wykorzystują analizę cyfrowych odczytów codziennych zachowań ruchowych, które mogą przewidywać progresję choroby u pacjentów z dystrofią mięśniową i potencjalnie śledzić odpowiedź na terapię. To podejście pozwala na selekcję wyróżniających się behawioralnych „odcisków palców” nawet w małej kohorcie pacjentów z DMD¹.

Technologia urządzeń noszonych na ciele

Nowoczesne urządzenia noszone na całym ciele umożliwiają śledzenie ruchu podczas codziennych aktywności życiowych. Ta technologia pozwala na rejestrację wysokorozdzielczej kinematyki z życia codziennego, która zawiera wystarczająco bogate informacje nie tylko do oceny obecnego stanu choroby pacjenta, ale także do przewidywania, jak pacjent będzie się rozwijał w przyszłości².

Badanie porównujące behawioralne „odciski palców” z grupą kontrolną dopasowaną wiekowo wykazało, że podejście etomiczne (analiza zachowań ruchowych) może przewidywać wyniki wszystkich trzech standardowych testów klinicznych – 6MWD, NSAA i PUL – podczas gdy same standardowe miary kliniczne nie były skuteczne w przewidywaniu wzajemnych wyników².

Spersonalizowane modele prognostyczne

Przewidywanie trajektorii rzadkich chorób zwyrodnieniowych może być niezwykle korzystne, szczególnie gdy te przewidywania są spersonalizowane, aby były istotne dla konkretnego pacjenta. Rozwijane są modele, które wykorzystują mieszankę danych od danego pacjenta oraz bazę danych wcześniej obserwowanych pacjentów³.

Te spersonalizowane modele prognostyczne charakteryzują się wieloma zaletami. Mają zdolność przewidywania przyszłej trajektorii pacjenta, włączając w to niepewność epistemiczną i aleatoryczną w przewidywaniach. Mogą dostosowywać strukturę prognoz w zależności od cech konkretnej historii klinicznej pacjenta, jednocześnie korzystając z informacji zawartych w szerszym zbiorze danych⁴.

Zalety nowych metod prognostycznych

Nowoczesne modele prognostyczne mają zdolność uwzględniania wpływu różnych interwencji medycznych i mogą to robić przy jednoczesnym bezproblemowym radzeniu sobie z brakującymi danymi. Wydajność predykcyjna tych modeli jest dobra, mimo ograniczonych danych i szerokiej zmienności wyników u pacjentów⁴.

Przewidywania te mogą dostarczać informacji o tym, jak prawdopodobnie będzie postępować konkretny pacjent, co jest cenne biorąc pod uwagę szeroki zakres doświadczeń, jakie mogą mieć różni pacjenci. Takie podejście pozwala na bardziej precyzyjne planowanie opieki medycznej i podejmowanie decyzji terapeutycznych dostosowanych do indywidualnych potrzeb.

Zastosowanie w monitorowaniu terapii

Podejście etomiczne, łączące analizę codziennych zachowań ruchowych z uczeniem maszynowym, zapewnia systematyczną ścieżkę do określania, kiedy efekt nowej terapii występuje lub zanika w czasie rzeczywistym. Biomarker AI zapewnia systematyczny sposób określenia momentu wystąpienia lub wygaśnięcia efektu nowej terapii⁵.

To etomiczne podejście obiecuje skrócenie czasu trwania i kosztów badań klinicznych, ale także pozwala na zmniejszenie wymaganej wielkości próby, ponieważ rekrutacja pacjentów jest często głównym wyzwaniem w opracowywaniu leków na rzadkie lub złożone choroby⁵.

Ograniczenia obecnych podejść

Mimo obiecujących wyników, nowoczesne metody prognostyczne mają pewne ograniczenia. Kohorty badawcze nie pokrywają pełnego zakresu wiekowego 25 lat używanego w predykcji biomarkera etomicznego. Dodatkowo, modele wymagają walidacji na większych grupach pacjentów i w dłuższych okresach obserwacji⁵.

Badania wykazały również, że dokładność przewidywania została tylko nieznacznie poprawiona przez zaawansowane modele statystyczne. Możliwe, że mała wielkość próby, niska liczba zdarzeń lub krótki czas badania nie pozwoliły na identyfikację znaczącej poprawy dokładności przewidywania⁶.

Przyszłość personalizowanego prognozowania

Rozwój w kierunku w pełni spersonalizowanego modelowania chorób zwyrodnieniowych reprezentuje przyszłość medycyny precyzyjnej w DMD. Ramy modelowe prezentowane w badaniach wydają się być zdolne do dostarczania wartościowych informacji prognostycznych nawet przy ograniczonych danych i szerokiej zmienności wyników pacjentów⁴.

Połączenie sztucznej inteligencji, analizy codziennych aktywności i spersonalizowanych modeli matematycznych tworzy obiecującą perspektywę dla przyszłego monitorowania i leczenia dystrofii mięśniowej Duchenne’a. Te innowacyjne podejścia mogą umożliwić bardziej precyzyjną opiekę medyczną i lepsze wyniki dla pacjentów.