Anti-CGRP monoklonale antilichamen zijn werkzaam bij een deel van de patiënten met therapieresistente chronische migraine, maar niet bij iedereen. Meer kennis over patiënt- en klinische kenmerken die het behandelsucces voorspellen, draagt bij aan de implementatie van gepersonaliseerde behandeling. Een Zweedse studie geeft nieuwe inzichten op dat terrein.1
De gegevens voor deze studie zijn verzameld in een privékliniek in Lund. Patiënten met chronische migraine kregen er een profylactische behandeling met een anti-CGRP monoklonaal antilichaam (mAb): erenumab, fremanezumab of galcanezumab. In de kliniek werd een dynamische behandelstrategie toegepast, waarbij artsen de behandeling zo nodig veranderden op basis van de werkzaamheid en bijwerkingen van het medicijn. Daarbij was de gehanteerde definitie van een goede behandelrespons een vermindering in het aantal hoofdpijndagen per maand (MHD) met minimaal 50%. Machine learning-modellen werden ingezet om een goede behandelrespons te voorspellen op basis van verschillende patiënt- en klinische kenmerken, onder andere leeftijd, wel/geen menstruele migraine, wel/geen medicatieovergebruikshoofdpijn en, tijdens de nulmeting, MHD en het aantal comorbide aandoeningen.
De steekproef bestond uit 309 patiënten met chronische migraine, van wie 86,4% vrouw, met gemiddeld 15,8 MHD tijdens de nulmeting. De resultaten lieten zien dat overstappen naar een ander mAb na een onvoldoende initiële respons vaak resulteerde in verlaging van MHD (p = 0,005). Verder toonden de machine learning-modellen enkele significante voorspellers van een goede behandelrespons, die verschilden tussen de 3 mAb’s. Bij gebruik van erenumab was het behandelsucces groter bij oudere patiënten, terwijl de aanwezigheid van menstruele migraine een slechte respons voorspelde. Bij gebruik van fremanezumab en galcanezumab voorspelde de aanwezigheid van medicatieovergebruikshoofdpijn een gunstige uitkomst.
De onderzoekers concluderen dat een dynamische behandelstrategie de effectiviteit van anti-CGRP mAb’s bij patiënten met chronische migraine verhoogt. Verder dragen machine learning-modellen bij aan de implementatie van gepersonaliseerde behandeling doordat ze de kennis verhogen over kenmerken die het behandelsucces voorspellen.
Bron: