Model AI przewiduje powikłania po przeszczepie na miesiące przed wystąpieniem objawów
Naukowcy opracowali model, który przewiduje powikłania po przeszczepie komórek macierzystych, umożliwiając wcześniejsze interwencje.
Naukowcy z MUSC Hollings Cancer Center opracowali model oparty na uczeniu maszynowym, który identyfikuje pacjentów z wysokim ryzykiem poważnych powikłań po przeszczepie komórek macierzystych i szpiku kostnego, nawet na kilka miesięcy przed wystąpieniem objawów klinicznych. Narzędzie, nazwane BIOPREVENT, koncentruje się na przewidywaniu przewlekłej choroby przeszczep przeciwko gospodarzowi (GVHD) oraz śmiertelności związanej z przeszczepem, które są głównymi przyczynami długoterminowych chorób i zgonów po przeszczepie.
Dla wielu pacjentów przeszczep komórek macierzystych lub szpiku kostnego jest ratujący życie. Jednak powrót do zdrowia nie kończy się w momencie wypisu ze szpitala. Przewlekła GVHD, w której komórki odpornościowe dawcy atakują zdrowe tkanki pacjenta, może rozwijać się miesiące później, wpływając na organy takie jak skóra, oczy, usta, stawy i płuca. Gdy objawy stają się widoczne, może już wystąpić znaczne i czasami nieodwracalne uszkodzenie.
„W momencie diagnozy przewlekłej GVHD proces chorobowy często rozwija się od miesięcy, cicho szkodząc organizmowi,” powiedziała Sophie Paczesny, MD, PhD, współliderka Programu Badań nad Biologią Nowotworów i Immunologią w Hollings. „Chcieliśmy wiedzieć, czy możemy wykryć wczesne sygnały ostrzegawcze, zanim pacjenci poczują się źle, i wystarczająco wcześnie, aby lekarze mogli interweniować.”
Łączenie biomarkerów, danych klinicznych i AI
Aby sprostać temu wyzwaniu, zespół badawczy zastosował uczenie maszynowe do dużego, wieloośrodkowego zbioru danych 1,310 pacjentów po przeszczepie, pochodzącego z czterech głównych badań. Próbki krwi pobrane 90 do 100 dni po przeszczepie analizowano pod kątem siedmiu białek związanych z układem odpornościowym, które są związane z zapaleniem, aktywacją układu odpornościowego i uszkodzeniem tkanek. Te biomarkery zostały zidentyfikowane i zweryfikowane w wcześniejszych badaniach prowadzonych przez Paczesny.
Dane biomarkerów połączono z dziewięcioma rutynowo zbieranymi zmiennymi klinicznymi, w tym wiekiem pacjenta, typem przeszczepu, chorobą podstawową i wcześniejszymi powikłaniami. Te ustandaryzowane dane kliniczne pochodziły z rejestrów przeszczepów prowadzonych przez Centrum Międzynarodowych Badań nad Przeszczepem Krwi i Szpiku, co zapewniało spójność jakości danych w różnych ośrodkach.
Naukowcy ocenili wiele podejść do uczenia maszynowego i stwierdzili, że model oparty na drzewach regresji addytywnej Bayesa sprawdził się najlepiej. To podejście stało się podstawą BIOPREVENT.
Jasna stratyfikacja ryzyka
Wyniki, opublikowane w Journal of Clinical Investigation, pokazują, że modele łączące biomarkery z danymi klinicznymi konsekwentnie przewyższały modele oparte wyłącznie na informacjach klinicznych, szczególnie w przewidywaniu śmiertelności związanej z przeszczepem. BIOPREVENT został również zweryfikowany w niezależnej kohorcie pacjentów, co potwierdziło jego solidność poza pierwotnymi danymi treningowymi.
Co ważne, model mógł stratyfikować pacjentów na grupy niskiego i wysokiego ryzyka z wyraźnie różnymi wynikami do 18 miesięcy po przeszczepie. Analiza ujawniła również, że różne biomarkery były związane z różnymi wynikami, co sugeruje, że przewlekła GVHD i śmierć związana z przeszczepem są napędzane przez pokrywające się, ale odrębne procesy biologiczne.
Od badań do praktyki
Aby wspierać szersze zastosowanie, zespół przetłumaczył BIOPREVENT na bezpłatną aplikację internetową. Lekarze mogą wprowadzać wartości biomarkerów i szczegóły kliniczne, aby uzyskać indywidualne oszacowania ryzyka w czasie.
„Było dla nas ważne, aby to nie pozostało teoretycznym modelem ani narzędziem ograniczonym do jednej instytucji,” podkreśliła Paczesny. „Udostępnienie BIOPREVENT za darmo pomaga zapewnić, że badacze i lekarze mogą go testować, uczyć się z niego i ostatecznie poprawić opiekę nad pacjentami po przeszczepie.”
Precyzyjna opieka po przeszczepie
Na razie BIOPREVENT jest przeznaczony jako narzędzie badawcze i oceny ryzyka, a nie jako przewodnik do podejmowania decyzji terapeutycznych. Następnym krokiem będą badania kliniczne, aby ustalić, czy działanie na wczesne sygnały ryzyka, takie jak bliższe monitorowanie lub strategie zapobiegawcze, może poprawić długoterminowe wyniki. „To nie chodzi o zastępowanie klinicznego osądu,” podkreśliła Paczesny. „Chodzi o dostarczenie lekarzom lepszych informacji wcześniej, aby mogli podejmować bardziej świadome decyzje.”
Badanie podkreśla rosnącą rolę AI i modeli opartych na danych w umożliwieniu bardziej spersonalizowanej, proaktywnej opieki po przeszczepie, a potencjalnie także w zmniejszeniu obciążenia jednym z najpoważniejszych powikłań medycyny przeszczepowej.
Źródło: https://www.icthealth.org/news/ai-model-predicts-transplant-complications-months-before-symptoms
Źródło: www.icthealth.org