W ostatnich latach pojawiły się nowe badania dotyczące zastosowania machine learning w medycynie, które mogą znacząco wpłynąć na podejście do leczenia pacjentów z reumatoidalnym zapaleniem stawów (RA). Badania te dostarczają istotnych informacji na temat substancji czynnej abatacept, stosowanej w terapii tego schorzenia. Abatacept, jako selektywny modulator ko-stymulacji, działa na mechanizmy aktywacji limfocytów T i jest zatwierdzony do leczenia pacjentów z umiarkowanym do ciężkiego aktywnym RA. Ostatnia analiza danych z badań ACTION i ASCORE wykazała, że model machine learning może przewidywać, którzy pacjenci będą kontynuować leczenie abataceptem przez 12 miesięcy.
Metodologia badania i zastosowane techniki
Analiza była post hoc, bazując na danych z globalnych badań ACTION i ASCORE, które obejmowały 5320 pacjentów z RA. Pacjenci byli klasyfikowani na podstawie ich cech demograficznych i charakterystyki choroby, które następnie wprowadzono do 10 modeli machine learning. Celem było przewidzenie, którzy pacjenci będą kontynuować leczenie abataceptem przez co najmniej 12 miesięcy. Użyto gradient-boosting classifier, który wykazał najwyższą skuteczność predykcyjną, osiągając dokładność testowania na poziomie 62%.
Wyniki analizy i kluczowe czynniki predykcyjne
W badaniu stwierdzono, że 12-miesięczny wskaźnik utrzymania leczenia abataceptem wyniósł 61%, co wskazuje na znaczną liczbę pacjentów, którzy zaprzestali leczenia. Kluczowe zmienne, które przewidywały utrzymanie leczenia, to:
- Niski wskaźnik masy ciała (BMI)
- Niski status funkcjonalny według American College of Rheumatology (ACR)
- Pozytywność przeciwciał antycytrulinowych (ACPA)
- Niski wynik oceny pacjenta (Patient Global Assessment)
- Młodszy wiek pacjenta
Analiza SHAP (SHapley Additive exPlanations) dostarczyła dodatkowych informacji na temat kierunkowości i znaczenia tych zmiennych, co może być niezwykle pomocne w podejmowaniu decyzji klinicznych.
Dyskusja i implikacje kliniczne
Wyniki badań sugerują, że wczesne rozpoczęcie leczenia abataceptem, zwłaszcza u pacjentów młodszych oraz z niskim BMI, może zwiększyć prawdopodobieństwo utrzymania terapii. Dodatkowo, pozytywność ACPA oraz niski status funkcjonalny również mogą wskazywać na większe szanse na sukces leczenia. Takie informacje mogą być kluczowe dla lekarzy w dostosowywaniu terapii do indywidualnych potrzeb pacjentów, co wpisuje się w podejście precyzyjnej medycyny.
Podsumowanie i przyszłe kierunki badań
Badania te potwierdzają użyteczność machine learning w przewidywaniu wyników leczenia i podkreślają znaczenie kluczowych cech pacjentów w kontekście utrzymania terapii abataceptem. Zidentyfikowane czynniki mogą posłużyć jako narzędzie do stratygrafii pacjentów, co może przyczynić się do poprawy wyników klinicznych. W przyszłości konieczne będą dalsze badania, aby zweryfikować te wyniki i zbadać, jak najlepiej wykorzystać te dane w praktyce klinicznej.
Bibliografia
Alten Rieke, Behar Claire, Merckaert Pierre, Afari Ebenezer, Vannier-Moreau Virginie, Ohayon Anael, Connolly Sean E., Najm Aurélie, Juge Pierre-Antoine, Liu Gengyuan, Rai Angshu, Elbez Yedid and Lozenski Karissa. Predicting abatacept retention using machine learning. Arthritis Research & Therapy 2025, 27(Suppl 3), 1108-1123. DOI: https://doi.org/10.1186/s13075-025-03484-0.
