Przeszczep komórek macierzystych lub szpiku kostnego dla wielu pacjentów oznacza szansę na wyleczenie chorób nowotworowych i hematologicznych. Jednak okres rekonwalescencji nie kończy się wraz z wypisem ze szpitala. U części chorych miesiące po zabiegu mogą rozwinąć się poważne, zagrażające życiu powikłania, w tym przewlekła choroba przeszczep przeciwko gospodarzowi (GVHD). Teraz zespół badaczy z MUSC Hollings Cancer Center opracował model uczenia maszynowego, który potrafi przewidzieć ryzyko takich zdarzeń na długo przed pojawieniem się objawów klinicznych. Wyniki badania opublikowano w czasopiśmie „Journal of Clinical Investigation”.
Z tego artykułu dowiesz się…
- Jak działa model BIOPREVENT i w jaki sposób wykorzystuje uczenie maszynowe do przewidywania powikłań po przeszczepie.
- Dlaczego przewlekła GVHD rozwija się miesiącami przed pojawieniem się objawów klinicznych i jak można wykryć wczesne sygnały ostrzegawcze.
- Jakie biomarkery krwi i czynniki kliniczne zwiększają ryzyko zgonu związanego z przeszczepem.
- W jaki sposób narzędzie AI może wspierać medycynę precyzyjną i poprawić monitorowanie pacjentów po transplantacji.
Przewlekła GVHD – cichy i groźny powikłanie po przeszczepie
Przewlekła GVHD to stan, w którym komórki układu odpornościowego dawcy atakują tkanki biorcy. Choroba może obejmować skórę, oczy, jamę ustną, stawy, płuca oraz inne narządy, prowadząc do przewlekłej niepełnosprawności, a w najcięższych przypadkach – do zgonu. Pomimo postępów w transplantologii przewlekła GVHD pozostaje jedną z głównych przyczyn zachorowalności i śmiertelności po przeszczepie. Co kluczowe, proces patologiczny rozpoczyna się znacznie wcześniej niż pojawią się objawy kliniczne.
Zanim przewlekła GVHD zostanie zdiagnozowana, proces chorobowy często rozwija się już od miesięcy, po cichu szkodząc organizmowi– powiedział Paczesny. Chcieliśmy się dowiedzieć, czy potrafimy wykryć sygnały ostrzegawcze wcześniej, zanim pacjenci poczują się źle, i wystarczająco wcześnie, aby lekarze mogli interweniować, zanim uszkodzenia staną się nieodwracalne.
BIOPREVENT – model oparty na biomarkerach i danych klinicznych
Zespół pod kierownictwem dr n. med. i dr hab. Sophie Paczesny, wspólnie z dr. Michaelem Martensem i dr. Brentem Loganem z Centrum Międzynarodowych Badań nad Transplantacją Krwi i Szpiku, opracował narzędzie nazwane BIOPREVENT. Model wykorzystuje:
- siedem biomarkerów immunologicznych oznaczanych w próbkach krwi 90–100 dni po przeszczepie,
- dziewięć czynników klinicznych, takich jak wiek pacjenta, rodzaj przeszczepu, choroba podstawowa czy wcześniejsze powikłania,
- techniki uczenia maszynowego do integracji i analizy danych.
W badaniu przeanalizowano dane 1310 biorców komórek macierzystych i szpiku kostnego z czterech dużych, wieloośrodkowych projektów klinicznych. Biomarkery zostały wcześniej zidentyfikowane i zweryfikowane w badaniach prowadzonych przez zespół Paczesny. Co istotne, dane kliniczne pochodziły z ujednoliconych rejestrów transplantacyjnych w Stanach Zjednoczonych, co zapewniło wysoką jakość i spójność informacji wykorzystywanych do budowy modelu.
Zaawansowane metody analizy – przewaga nad klasyczną statystyką
Naukowcy przetestowali kilka podejść z zakresu uczenia maszynowego. Najlepsze wyniki uzyskano przy zastosowaniu metody bayesowskich drzew regresji addytywnej. Modele łączące biomarkery z danymi klinicznymi konsekwentnie przewyższały modele oparte wyłącznie na tradycyjnych zmiennych klinicznych, zwłaszcza w przewidywaniu śmiertelności związanej z przeszczepem.
Co więcej, model został zwalidowany w niezależnej kohorcie pacjentów, co potwierdziło jego wiarygodność i możliwość zastosowania poza pierwotną grupą badawczą.
Identyfikacja pacjentów wysokiego ryzyka nawet 18 miesięcy wcześniej
BIOPREVENT umożliwił podział pacjentów na grupy niskiego i wysokiego ryzyka z wyraźnymi różnicami w wynikach klinicznych nawet do 18 miesięcy później. Analiza wykazała również, że różne biomarkery odpowiadają za odmienne aspekty ryzyka. Jeden z markerów był silnie powiązany ze śmiertelnością po przeszczepie, podczas gdy inne lepiej przewidywały rozwój przewlekłej GVHD. Oznacza to, że procesy biologiczne prowadzące do GVHD i zgonu nie są w pełni tożsame.
Takie rozróżnienie ma istotne znaczenie dla projektowania przyszłych strategii monitorowania i potencjalnych interwencji profilaktycznych.
Od modelu badawczego do narzędzia klinicznego
Aby zwiększyć użyteczność rozwiązania, zespół opracował bezpłatną aplikację internetową BIOPREVENT. Lekarze mogą wprowadzać dane kliniczne pacjenta oraz wyniki badań biomarkerów i uzyskać spersonalizowaną ocenę ryzyka w czasie.
Zależało nam na tym, aby nie pozostał to model teoretyczny ani narzędzie ograniczone do jednej instytucji – powiedział Paczesny. Udostępnienie BIOPREVENTU bezpłatnie pozwoli naukowcom i klinicystom na jego testowanie, wyciąganie z niego wniosków i, ostatecznie, poprawę opieki nad pacjentami po przeszczepach.
Na obecnym etapie narzędzie ma wspierać ocenę ryzyka i projektowanie badań klinicznych, a nie bezpośrednio kierować decyzjami terapeutycznymi.
Krok w stronę medycyny precyzyjnej w transplantologii
Badanie wpisuje się w szerszy trend medycyny precyzyjnej, w której decyzje kliniczne coraz częściej wspierane są analizą danych biologicznych i algorytmami predykcyjnymi. Kolejnym etapem będą prospektywne badania kliniczne oceniające, czy wcześniejsze monitorowanie i profilaktyczne interwencje u pacjentów wysokiego ryzyka przełożą się na poprawę przeżycia oraz redukcję ciężkich powikłań.
Nie chodzi o zastąpienie osądu klinicznego – podkreślił Paczesny. Chodzi o zapewnienie klinicystom lepszych informacji na wcześniejszym etapie, aby mogli podejmować bardziej świadome decyzje.
Na zakończenie Paczesny dodał: „Dla pacjentów niepewność po przeszczepie może być niezwykle stresująca”. „Mamy nadzieję, że narzędzia takie jak BIOPREVENT pomogą nam szybciej przewidzieć nadchodzące wydarzenia i ostatecznie zmniejszyć liczbę ofiar przewlekłej GVHD”.
Badanie to pokazuje, że zastosowanie AI w medycynie może realnie zmienić sposób monitorowania pacjentów po przeszczepie i poprawić długoterminowe wyniki leczenia.
Główne wnioski
- Model BIOPREVENT analizuje 7 biomarkerów immunologicznych oraz 9 czynników klinicznych, wykorzystując dane 1310 pacjentów z czterech wieloośrodkowych badań transplantacyjnych.
- Algorytm oparty na bayesowskich drzewach regresji addytywnej przewyższył tradycyjne modele statystyczne, szczególnie w prognozowaniu śmiertelności związanej z przeszczepem.
- Narzędzie pozwala identyfikować pacjentów wysokiego ryzyka nawet do 18 miesięcy przed wystąpieniem objawów przewlekłej GVHD, co otwiera możliwość wcześniejszego monitorowania.
- Bezpłatna aplikacja internetowa BIOPREVENT umożliwia spersonalizowaną ocenę ryzyka i stanowi krok w kierunku bardziej precyzyjnej, opartej na danych opieki transplantacyjnej.
Źródło:
- Medical University of South Carolina
- https://www.jci.org/articles/view/195228
