Barnreumatism - från leden till livet

Robin Kahn, Lunds Universitet, 275 000 kronor

Bakgrund och motivering

När ett barn insjuknar i reumatisk ledsjukdom (juvenil idiopatisk artrit, JIA) väcks många frågor hos föräldrarna och barnet. Kommer mitt barn någonsin bli frisk? Och barnet undrar: Varför fick jag detta? Trots att vi har flera olika, ofta effektiva, behandlingar kan vi fortfarande in svara på dessa grundläggande frågor.

Syfte och mål

1. Långtidsprognos hos barn med JIA

Samsjuklighet, så som cancer, hjärt-kärlsjukdom och psykiska sjukdomar, samt studera socio-ekonomiska konsekvenser, så som sjukskrivningar, familjebildning och inkomst hos individer med JIA.

2. Utveckla biomarkörer för JIA

Väga samman antikroppsmönster och klinisk bild och med datainlärning och algoritmer generera risken barnet har att drabbas av JIA eller komplikationer.

3. Den inflammatoriska profilen i leden

Vi tror att dysreglering i den immunologiska processen hos vita blodkroppar påverkar sjukdomsförloppet. Genom att studera denna process möjliggör vi individanpassad och riktad behandling.

Metod

Vi har en kohort av samtliga JIA-barn som insjuknade 1980–2010 i Skåne (n=651). Vi expanderar nu kohorten med barn som insjuknat mellan 2011–2020. Data på socio-ekonomi inhämtas från SCB och komorbiditeter från Region Skånes Vårddatabas.

Vi har serumprover från fyra JIA-kohorter. För att hitta nya autoantigen har två explorativa undersökningar genomförts (samarbete med SciLifeLab och BioMS). Resultaten valideras nu och vi utvecklar stabila metoder för att undersöka autoantikroppsmönster. Datoralgoritmer och maskininlärning görs i samarbete med statistiker.

Ledprover samlas prospektivt och immunologiska profilen undersöks med flödescytometri. Vi har konstruerat en artificiell ledhinna där vi studerar interaktionen mellan immunceller och ledkapsel.

Betydelse för patienten 

Vi fokuserar på de frågor som föräldrar och barn alltid ställer när de blir sjuka. Att kartlägga långtidsprognosen för JIA kommer hjälpa oss behandla patienter optimalt, både idag och i framtiden. Genom att identifiera patogenetiska mekanismer och använda maskininlärning och artificiell intelligens kommer vi utveckla algoritmer för att bättre kunna hjälpa patienter att få en effektiv behandling.