Algoritmul BIOPREVENT combină învățarea automată cu biomarkerii imuni și datele clinice pentru a prezice boala cronică de grefă-contra-gazdă (GVHD) sau decesul după transplantul hematopoietic de celule (HCT).
Instrumentul, descris în Jurnalul de Investigații Clinice, este în prezent conceput pentru evaluarea riscului și cercetarea clinică.
În cele din urmă, însă, ar putea permite medicilor să primească estimări personalizate în timp real ale riscurilor post-transplant bazate pe date clinice și biomarkeri.
„Până când boala GVHD cronică este diagnosticată, procesul bolii s-a desfășurat adesea timp de luni, afectând în tăcere organismul”, a explicat cercetătoarea Sophie Paczesny, PhD, de la Universitatea Medicală din Carolina de Sud.
„Am dorit să știm dacă am putea detecta semne de avertizare mai devreme, înainte ca pacienții să se simtă rău, și suficient de repede pentru ca medicii să intervină, înainte ca leziunile să devină ireversibile.”
GVHD apare atunci când celulele donate infuzate pentru tratarea bolilor de sânge reacționează împotriva receptorului și afectează adesea pielea, intestinul sau ficatul. Este una dintre principalele cauze de boală debilitantă și deces după transplantul de HCT.
Într-o încercare de a prezice apariția sa, Paczesny și echipa sa au dezvoltat BIOPREVENT folosind date din 1310 beneficiari de transplant de celule stem și măduvă osoasă din patru studii multicentrice bine caracterizate.
Datele au inclus șapte biomarkeri plasmatici anterior validați măsurați din mostre de sânge colectate între 90 și 100 de zile după transplant care sunt legați de inflamație, activare și reglare imună și leziuni și remodelare tisulare.
Acestea au fost combinate cu nouă factori clinici cheie care au inclus vârsta pacientului, tipul de transplant, boala primară și complicațiile anterioare identificate din registrele de transplant.
Pacienții au fost împărțiți în seturi de date de antrenament și de validare, iar mai multe modele de învățare automată și de învățare profundă au fost evaluate pentru capacitatea lor de a prezice rezultatele în diferite momente pe parcursul unui an și jumătate după transplant.
Cercetătorii au constatat că învățarea profundă a prezentat, cel mult, rezultate similare celorlalte abordări de învățare automată luate în considerare. Acest lucru, au sugerat ei, ar fi putut fi cauzat de incapacitatea structurii complexe a rețelei neuronale din modelele de învățare profundă de a înțelege eficient relațiile dintre biomarkeri și riscul de GVHD cronic fără o dimensiune mult mai mare a eșantionului, în zeci de mii.
Arborii de regresie aditivă Bayesiană (BART) au produs în mod constant rezultate ridicate și au fost, în cele din urmă, aleși pentru modelul final.
BIOPREVENT a fost cel mai performant dintre mai multe modele de învățare automată și a ilustrat aplicabilitatea sa în lumea reală ca un instrument predictiv bazat pe biomarkeri în două calcule de putere pentru un trial ipotetic sub două scenarii de pacienți.
Cercetătorii consideră că
Sursa: [Articolul original](link catre sursa originala)
Senior Editor RevistaSanatatii.ro. Pasionat de lifespan, fan David Sinclair.
