新型生物标志物在狼疮增加功率预测治疗反应

临床前研究的结果由调查人员在南卡罗莱纳医科大学的(音乐)在2016年8月出版的报告关节炎与风湿病学首次证明,包括新型生物标志物在狼疮肾炎(LN)预后模型显著增加他们的权力来预测治疗效果。识别模型生物标志物提供足够的预测能力是关键一步开发临床决策工具,可以快速确定患者需要治疗和潜在的变化减少肾纤维化的发病在诱导治疗。

大约一半的系统性红斑狼疮(SLE)患者开发LN,免疫complex-mediated肾小球肾炎。狼疮肾炎,反过来,导致肾功能衰竭在五年内在多达50%的病人。美国风湿病学院指南建议改变LN治疗6个月后诱导治疗如果没有实现对治疗的反应。然而,对治疗的反应没有清晰的定义和肾损害可能发生在六个月的诱导期。

目前,临床医生通过血压测量监控对治疗的反应,血清补体水平,anti-double-stranded DNA (anti-dsDNA)抗体水平,尿沉淀物,尿protein-to-creatinine比率,和肾功能的代理人。不幸的是,预测疾病进展很难使用这些传统的生物标记物由于其低敏感性和高LN异质性在演讲。

即使机器学习模型,传统的生物标记只有69%准确预测系统性红斑狼疮患者中LN的诊断。需要个性化,决策支持工具,可以更好地定义的治疗反应的治疗,让临床医生调整感应治疗疾病预防肾损害严重程度和不必要的药物毒性。

“我们看到同事的沮丧试图想出预测模型,”吉姆·c·奥茨说,医学博士副主任音乐临床和转化研究中心,风湿病学副教授,资深作者在这篇文章。“今天我们在临床中使用传统的标记有预测能力有限。狼疮患者都有不同程度的肾脏损害和参与不同的肾脏结构的水平。所以,我们想要占这个异质性和疾病进展的阶段。我们希望包括标记为炎症和损伤的途径。”

研究小组推测,目标面板尿液标志物反映最初的居民和炎性细胞激活(细胞因子),信号归航的肾脏(趋化因子),激活炎症细胞(生长因子),和居民细胞受损,结合人工智能和机器学习模型,可能提供一个早期LN决策支持工具,可以预测结果比标准的生物标志物。该小组还选择评估尿生物标记而不是血清/血浆标志物增加工具的敏感性和特异性信号肾(而非系统性)过程。

从140年biopsy-proven LN患者尿液样本还没有开始分析了诱导治疗的新型生物标志物使用预混,商用设备。接受者操作特征(ROC)曲线是单变量,为每个生物标志物和生成相比ROC曲线下面积(AUC)值使用随机森林算法开发的机器学习模型。使用新颖的生物标志物的结果模型+传统的临床标记表明更大的AUC和意义相比单独模型开发与传统标记([AUC 0.79;P < 0.001)和(AUC 0.61;P = 0.05),分别)。合并后的模型还演示了更大的权力来正确地预测LN治疗结果(回答者对的人)比传统模型只使用标记(分别为76%和27% (P < 0.002)。

团队确定趋化因子、细胞因子和细胞损伤的标志作为LN的最有预测力的治疗反应。种族、anti-double-stranded DNA抗体和诱导药物没有明显贡献模型。

“我们有些惊讶的一些分析物是重要的模型中,“奥茨说。protein-to-creatinine比率,“一个传统标记是第三个最重要的是,和一个标准的肾功能测量第九。我也惊讶地看到interluekin-8如此之高。这是符合最近的出版物突出中性粒细胞在红斑狼疮的发病机制的重要性,然而。”

包括多种疾病发病机理和细胞损伤机制可能提供了一个更有效的诊断方法,更好的反映出多级异构LN的性质。这是第一个研究结合广泛的生物标志物面板与机器学习技术来优化疾病结果模型。“这可能适用于任何模型哪里有肾脏炎症导致的损害,“奥茨说。“概念验证其他肾脏疾病,你可以发现模型,结合机器学习来开发和验证预测模型”。

团队现在正在测试其他生物标记和应用模型在较大的患者人群,以确保外部有效性,提高能力。他们也在探索其他输入。

“我们的下一个方法是利用现有的医疗记录中的数据来提高预测,“奥茨说。“这是比得到更可翻译在诊所立即通过FDA的验证过程和工业管道。使用医疗记录数据更便宜,有病人的医疗记录和系统因素你不能测量试验,如经济和社会不平等,影响结果。这种方法也可以用来提高生物标志物预测模型”