Profiling Immunsystem in der pädiatrischen arthritis-Patienten bietet Hoffnung für verbesserte Diagnose und Behandlung

Ein team von Wissenschaftler von VIB und KU Leuven entwickelt hat, ein machine-learning-Algorithmus identifiziert die Kinder mit juveniler arthritis mit fast 90% iger Genauigkeit aus einer einfachen Blutuntersuchung. Die neuen Ergebnisse, diese Woche veröffentlicht in den Annalen der Rheumatischen Krankheiten, ebnen den Weg für den Einsatz des maschinellen Lernens zur Verbesserung der Diagnose und zur Vorhersage, die juvenile arthritis-Patienten reagieren oft am besten, um verschiedene Optionen für die Behandlung. Die Arbeit wurde unter der Leitung von Professor Adrian Liston, aus VIB und KU Leuven in Leuven, Belgien, und des Babraham-Instituts in Cambridge, Großbritannien.

Juvenile idiopathische arthritis ist die häufigste rheumatische Erkrankung bei Kindern, aber es stellt in vielen unterschiedlichen Formen, Schweregrade und Ergebnisse. Diese Vielfalt macht geduldig Klassifizierung schwierig, vor allem in der frühen Phase der Erkrankung.

Ein team von Forschern an der belgischen Forschungseinrichtungen VIB-KU Leuven und UZ Leuven unternahm eine detaillierte biologische Charakterisierung des Immunsystems von Hunderten von Kindern mit und ohne juvenile arthritis helfen, die Diagnose oder der Behandlung Entscheidungen für diese Krankheit.

„Im wesentlichen, nahmen wir Blutproben von mehr als 100 Kinder, zwei Drittel von Ihnen hatte arthritis im Kindesalter“, erklärt Erika Van Nieuwenhove (VIB-KU Leuven), und ersten Autor von der Studie. „Wir analysieren Ihr Immunsystem auf ein höheres Maß an detail als jemals zuvor für diese Krankheit, und einfach mithilfe dieser Daten, die wir dann verwendet maschinelles lernen, um zu sehen, wenn wir könnten sagen, die Kinder hatten arthritis.“

Die Ergebnisse waren ziemlich bemerkenswert: der Algorithmus war zu 90% genau bei der Identifizierung der Kinder mit der Krankheit. „Mit nur die Informationen über das Immunsystem, und es liegen keine klinischen Daten bei allen, könnten wir entwerfen ein machine-learning-Algorithmus, der war zu 90% genau bei Schmierblutungen, die Kinder hatten arthritis“, sagt Professor Adrian Liston (VIB—KU Leuven, Belgien und Babraham Institute, Cambridge, UK). „Dieses Ergebnis ist ein proof-of-Concept-demonstration, die immun-phänotypisierung in Kombination mit machine learning birgt ein enormes Potenzial zur diagnose verschiedener Formen der juvenilen arthritis früh im Verlauf der Erkrankung. Ähnliche Ansätze angewandt werden könnten, um zu verbessern, die Auswahl der Patienten für Behandlungen und klinische Studien.“