Maskininlärning för prediktion av behandlingsutfall i reumatoid artrit.

Helga Westerlind, Karolinska Institutet, 125000

Bakgrund och motivering

Tidig och effektiv behandling av reumatoid artrit (RA) är av största betydelse för att minska risken för RA-relaterad funktionsnedsättning, smärta och samsjuklighet. Även om effektiva behandlingar finns, svarar bara ~1/3 av nydiagnostiserade patienter bra på metotrexat, förstahandsalternativet för behandling vid RA. Utveckling av en algoritm för prediktion av behandlingssvar möjliggör individualiserad behandling och maximerar chanser för god prognos, men tidigare försök har haft måttliga framgångar.

Syfte och mål

Huvudsyftet med detta projekt är att vidareutveckla prediktionsmodellering av behandlingssvar i RA. Vi kommer att göra detta genom att kombinera kliniskt, serologiskt och genetiskt data för tusentals nydiagnostiserade patienter med RA och använda vår tidigare utvecklade maskininlärningsalgoritm för att förutspå vem som kvarstår på behandling och vilka faktorer som är associerade till utfallet. Ytterligare mål inkluderar applicering av modellen på andra kliniska utfall av intresse, som persistens till biologiska behandlingar.

Metod

Vi kommer att använda individer från den svenska studien epidemiologisk undersökning av RA (EIRA) samt svensk reumatologis kvalitetsregisters biobank som tillsammans utgör en kohort med tusentals nydiagnostiserade patienter med RA, ett världsunikt material med avseende på antal individer och detaljrikedom.

Vi kommer vidareutveckla vår tidigare framtagna maskininlärningsalgoritm, genom att A) uppdatera och utveckla metoderna, B) tillföra genetiskt data samt C) undersöka flera behandlingsutfall.

Genom ett redan etablerat nordiskt samarbete kan vi validera våra resultat i oberoende kohorter. Tack vare studiens storlek har vi också möjlighet att undersöka skillnader mellan seropositiv och seronegativ RA.

Betydelse för patienten

Med en prediktionsmodell som kan urskilja vem som har bäst nytta av en behandling kan vi maximera chanserna till snabb och effektiv behandling. Möjliggörande av individualiserad behandling kommer att minska sjukdomsbördan och risken för samsjuklighet och mortalitet och därmed öka livskvaliteten för patienter med RA. Vårt projekt kommer att fungera som mall för prediktion av andra kliniska utfall i RA samt även andra kroniska inflammatoriska sjukdomar.