Met behulp van AI-gestuurde analyse van beeldvormende flowcytometriegegevens hebben Nederlandse onderzoekers met succes discocyten, granulaire cellen en klassieke sikkelcellen in het perifere bloed van patiënten met sikkelcelziekte (SCD) gekwantificeerd en gestratificeerd. Deze aanpak kan helpen bij het voorspellen van de ernst van de aandoening.1
Er is momenteel geen objectieve, reproduceerbare biomarker beschikbaar om de ernst van SCD te bepalen. Daarom hebben onderzoekers een test ontwikkeld die met behulp van kunstmatige intelligentie (AI) de percentages morfologisch abnormale erytrocyten automatisch kan kwantificeren.
De onderzoekers verzamelden gegevens van volwassen SCD-patiënten met HbSS, HbSβ⁰, HbSC of HbSβ⁺ in steady-state, evenals van een subgroep patiënten binnen 48 uur na ziekenhuisopname vanwege een vaso-occlusieve crisis (VOC). Met een beeldvormende flowcytometer, die van elke cel een foto maakt, werden erytrocyten gecategoriseerd als discocyten, sikkelcellen of intermediaire morfologieën.
Na het trainen van het AI-algoritme door handmatig meer dan 15.000 cellen te labelen, kon het elk celtype nauwkeurig onderscheiden en kwantificeren met een hoge precisie en lage inter-sample-variabiliteit (CoV < 0,043).
In totaal werden 172 SCD-patiënten opgenomen in de uiteindelijke analyse, van wie 162 in steady-state en 16 tijdens een ziekenhuisopname vanwege een VOC. Onder de 162 steady-state-patiënten hadden er 97 HbSS- of HbSβ⁰-genotypen en 65 HbSC- of HbSβ⁺-genotypen.
Bij HbSS/HbSβ⁰-patiënten in steady-state correleerden de percentages klassieke sikkelcellen negatief met zowel hemoglobinegehalten (R -0,435; p < 0,001) als hemoglobine F-percentages (R -0,293; p = 0,030). Daarnaast werden positieve correlaties vastgesteld tussen het percentage klassieke sikkelcellen en intermediaire morfologieën enerzijds, en LDH- en totaal bilirubinewaarden anderzijds als markers van hemolyse.
Bron: