Τα αυτοάνοσα νοσήματα, στα οποία το ανοσοποιητικό σύστημα επιτίθεται λανθασμένα στα ίδια τα υγιή κύτταρα και τους ιστούς του οργανισμού, συχνά περιλαμβάνουν ένα προκλινικό στάδιο πριν από τη διάγνωση, το οποίο χαρακτηρίζεται από ήπια συμπτώματα ή ορισμένα αντισώματα στο αίμα. Ωστόσο, σε ορισμένους ανθρώπους, τα συμπτώματα αυτά μπορεί να υποχωρήσουν πριν κορυφωθούν στο πλήρες στάδιο της νόσου.
Η γνώση του πώς μπορεί να προχωρήσει η πορεία της νόσου είναι κρίσιμη για την έγκαιρη διάγνωση και παρέμβαση, τη βελτίωση της θεραπείας και την καλύτερη διαχείριση της νόσου, σύμφωνα με μια ομάδα με επικεφαλής ερευνητές από το Penn State College of Medicine που ανέπτυξε μια νέα μέθοδο για την πρόβλεψη της εξέλιξης της αυτοάνοσης νόσου μεταξύ των ατόμων με προκλινικά συμπτώματα.
Advertisment
Η ομάδα χρησιμοποίησε τεχνητή νοημοσύνη (AI) για να αναλύσει δεδομένα από ηλεκτρονικούς φακέλους υγείας και μεγάλες γενετικές μελέτες ατόμων με αυτοάνοσα νοσήματα για να καταλήξει σε ένα σκορ πρόβλεψης κινδύνου. Σε σύγκριση με τα υπάρχοντα μοντέλα, αυτή η μεθοδολογία ήταν μεταξύ 25% και 1.000% πιο ακριβής στον προσδιορισμό των οποίων τα συμπτώματα θα μεταβούν σε προχωρημένη νόσο.
Η ερευνητική ομάδα δημοσίευσε τα ευρήματά της στο περιοδικό Nature Communications.
«Στοχεύοντας σε έναν πιο σχετικό πληθυσμό -άτομα με οικογενειακό ιστορικό ή που εμφανίζουν πρώιμα συμπτώματα- μπορούμε να χρησιμοποιήσουμε τη μηχανική μάθηση για να εντοπίσουμε τους ασθενείς με τον υψηλότερο κίνδυνο για τη νόσο και στη συνέχεια να εντοπίσουμε τις κατάλληλες θεραπευτικές αγωγές που μπορεί να είναι σε θέση να επιβραδύνουν την εξέλιξη της νόσου. Πρόκειται για πολύ πιο ουσιαστικές και αξιοποιήσιμες πληροφορίες», δήλωσε ο Dajiang Liu, διακεκριμένος καθηγητής, αντιπρόεδρος έρευνας και διευθυντής τεχνητής νοημοσύνης και βιοϊατρικής πληροφορικής στο Penn State College of Medicine και συν-επικεφαλής συγγραφέας της μελέτης.
Advertisment
Περίπου το 8% των Αμερικανών ζουν με αυτοάνοσα νοσήματα, σύμφωνα με τα Εθνικά Ινστιτούτα Υγείας, και η συντριπτική πλειονότητα είναι γυναίκες. Όσο νωρίτερα μπορείτε να ανιχνεύσετε τη νόσο και να παρέμβετε, τόσο το καλύτερο, δήλωσε ο Liu, διότι όταν οι αυτοάνοσες ασθένειες προχωρήσουν, η βλάβη μπορεί να είναι μη αναστρέψιμη. Συχνά υπάρχουν σημάδια της νόσου πριν το άτομο λάβει διάγνωση. Για παράδειγμα, σε ασθενείς με ρευματοειδή αρθρίτιδα, τα αντισώματα μπορούν να ανιχνευθούν στο αίμα πέντε χρόνια πριν αρχίσουν τα συμπτώματα, εξήγησαν οι ερευνητές.
Η πρόκληση με την πρόβλεψη της εξέλιξης της νόσου είναι το μέγεθος του δείγματος. Ο πληθυσμός των ατόμων που πάσχουν από μια συγκεκριμένη αυτοάνοση ασθένεια είναι σχετικά μικρός. Με λιγότερα διαθέσιμα δεδομένα, είναι πιο δύσκολο να αναπτυχθεί ένα ακριβές μοντέλο και αλγόριθμος, δήλωσε ο Liu.
Για τη βελτίωση της ακρίβειας της πρόβλεψης, η ερευνητική ομάδα ανέπτυξε μια νέα μέθοδο, που ονομάστηκε Genetic Progression Score ή GPS, για την πρόβλεψη της εξέλιξης από τα προκλινικά στα στάδια της νόσου. Το GPS αξιοποιεί την ιδέα πίσω από τη μάθηση μεταφοράς – μια τεχνική μηχανικής μάθησης όπου ένα μοντέλο εκπαιδεύεται σε μια εργασία ή σε ένα σύνολο δεδομένων και στη συνέχεια τελειοποιείται για μια διαφορετική αλλά συναφή εργασία ή σύνολο δεδομένων, εξήγησε ο Bibo Jiang, επίκουρος καθηγητής επιστημών δημόσιας υγείας στο Penn State College of Medicine και επικεφαλής συγγραφέας της μελέτης. Αυτό επιτρέπει στους ερευνητές να αντλούν καλύτερες πληροφορίες από μικρότερα δείγματα δεδομένων.
Για παράδειγμα, στην ιατρική απεικόνιση, τα μοντέλα τεχνητής νοημοσύνης μπορούν να εκπαιδευτούν για να διακρίνουν αν ένας όγκος είναι καρκινικός ή μη καρκινικός. Για τη δημιουργία του συνόλου δεδομένων εκπαίδευσης, οι ειδικοί ιατροί πρέπει να επισημάνουν μία προς μία τις εικόνες, κάτι που μπορεί να είναι χρονοβόρο και να περιορίζεται από τον αριθμό των διαθέσιμων εικόνων.
Ο Liu εξήγησε ότι αντ’ αυτού, η μάθηση μεταφοράς χρησιμοποιεί περισσότερες και ευκολότερες στην επισήμανση εικόνες, όπως γάτες και σκύλους, και δημιουργεί ένα πολύ μεγαλύτερο σύνολο δεδομένων. Το έργο μπορεί επίσης να ανατεθεί σε εξωτερικούς συνεργάτες. Το μοντέλο μαθαίνει να κάνει διάκριση μεταξύ των ζώων και στη συνέχεια μπορεί να βελτιωθεί ώστε να διακρίνει μεταξύ κακοήθων και καλοήθων όγκων.
«Δεν χρειάζεται να εκπαιδεύσετε το μοντέλο από το μηδέν», δήλωσε ο Liu. «Ο τρόπος με τον οποίο το μοντέλο τμηματοποιεί στοιχεία από μια εικόνα για να καθορίσει αν πρόκειται για γάτα ή σκύλο είναι μεταβιβάσιμος. Με κάποια προσαρμογή, μπορείτε να βελτιώσετε το μοντέλο για να διαχωρίσετε μια εικόνα ενός όγκου από μια εικόνα φυσιολογικού ιστού».
Το GPS εκπαιδεύεται σε δεδομένα από μεγάλες μελέτες συσχέτισης γονιδιώματος (GWAS), μια δημοφιλής προσέγγιση στην έρευνα της ανθρώπινης γενετικής, για τον εντοπισμό γενετικών διαφορών σε άτομα με μια συγκεκριμένη αυτοάνοση ασθένεια από εκείνα που δεν πάσχουν και για τον εντοπισμό πιθανών παραγόντων κινδύνου. Ενσωματώνει επίσης δεδομένα από βιοτράπεζες που βασίζονται σε ηλεκτρονικούς φακέλους υγείας, οι οποίες περιέχουν πλούσιες πληροφορίες σχετικά με τους ασθενείς, συμπεριλαμβανομένων γενετικών παραλλαγών, εργαστηριακών εξετάσεων και κλινικών διαγνώσεων.
Τα δεδομένα αυτά μπορούν να βοηθήσουν στον εντοπισμό ατόμων σε προκλινικά στάδια και να χαρακτηρίσουν τα στάδια εξέλιξης από το προκλινικό στο στάδιο της νόσου. Τα δεδομένα και από τις δύο πηγές ενσωματώνονται στη συνέχεια για να βελτιωθεί το μοντέλο GPS, ενσωματώνοντας παράγοντες που σχετίζονται με την πραγματική ανάπτυξη της νόσου.
«Η ενσωμάτωση μεγάλων μελετών ελέγχου περιπτώσεων και βιοτραπεζών δανείστηκε δυνάμεις από τα μεγάλα μεγέθη δείγματος των μελετών ελέγχου περιπτώσεων και βελτίωσε την ακρίβεια της πρόβλεψης», δήλωσε ο Liu, εξηγώντας ότι τα άτομα με υψηλές βαθμολογίες GPS έχουν υψηλότερο κίνδυνο εξέλιξης από τα προκλινικά στα στάδια της νόσου.
Η ομάδα χρησιμοποίησε δεδομένα πραγματικού κόσμου από τη βιοτράπεζα του Πανεπιστημίου Vanderbilt για να προβλέψει την εξέλιξη της ρευματοειδούς αρθρίτιδας και του λύκου και στη συνέχεια επικύρωσε τις βαθμολογίες κινδύνου GPS με δεδομένα από τη βιοτράπεζα All of Us, μια πρωτοβουλία δεδομένων υγείας των Εθνικών Ινστιτούτων Υγείας. Το GPS προέβλεψε την εξέλιξη της νόσου καλύτερα από 20 άλλα μοντέλα που βασίζονται μόνο σε δείγματα βιοτράπεζας ή δείγματα ελέγχου περιπτώσεων και από εκείνα που συνδυάζουν δείγματα βιοτράπεζας και δείγματα ελέγχου περιπτώσεων μέσω άλλων μεθόδων.
Η ακριβής πρόβλεψη της εξέλιξης της νόσου με τη χρήση του GPS μπορεί να επιτρέψει έγκαιρες παρεμβάσεις, στοχευμένη παρακολούθηση και εξατομικευμένες θεραπευτικές αποφάσεις, οδηγώντας σε βελτιωμένα αποτελέσματα για τους ασθενείς, δήλωσε ο Liu. Θα μπορούσε επίσης να βελτιώσει τον σχεδιασμό και την πρόσληψη κλινικών δοκιμών, εντοπίζοντας τα άτομα που είναι πιο πιθανό να επωφεληθούν από νέες θεραπείες. Ενώ η μελέτη αυτή επικεντρώθηκε σε αυτοάνοσες παθήσεις, οι ερευνητές δήλωσαν ότι ένα παρόμοιο πλαίσιο θα μπορούσε να χρησιμοποιηθεί για τη μελέτη άλλων τύπων ασθενειών.
«Όταν μιλάμε για υποεκπροσωπούμενους πληθυσμούς, δεν πρόκειται μόνο για τη φυλή. Θα μπορούσε επίσης να πρόκειται για μια ομάδα ασθενών που δεν μελετώνται επαρκώς στην ιατρική βιβλιογραφία, επειδή αποτελούν μόνο ένα μικρό μέρος των τυπικών συνόλων δεδομένων. Η τεχνητή νοημοσύνη και η εκμάθηση μεταφοράς μπορούν να μας βοηθήσουν να μελετήσουμε αυτούς τους πληθυσμούς και να συμβάλουν στη μείωση των ανισοτήτων στην υγεία», δήλωσε ο Liu. «Το έργο αυτό αντανακλά τη δύναμη του ολοκληρωμένου ερευνητικού προγράμματος του Penn State στην αυτοάνοση νόσο».
Αναφορές
Chen Wang et al, Integrating electronic health records and GWAS summary statistics to predict the progression of autoimmune diseases from preclinical stages, Nature Communications (2025). DOI: 10.1038/s41467-024-55636-6
Journal information: Nature Communications
