De analyse van risicofactoren en de simulatie daarvan in geavanceerde computermodellen biedt een nauwkeuriger predictie van de prognose van amyotrofe laterale sclerose (ALS). Dat is naar voren gekomen bij de evaluatie van een Italiaans predictiemodel in enkele patiëntencohorten.
De klinische manifestaties van ALS zijn heterogeen doordat een diversiteit aan anatomische locaties aangedaan kan zijn en het ziekteverloop varieert. Daardoor is het lastig om op het niveau van de individuele patiënt de prognose te bepalen. Er is al lange tijd interesse in het voorspellen van de ziekteprogressie en stratificatie van patiënten in klinisch-relevante subgroepen.
Predictiemodel
Italiaanse wetenschappers hebben een ‘Dynamic Bayesian Network’ (DBN)-model ontwikkeld, waarmee de statistische waarschijnlijkheid van relaties tussen klinische variabelen en risicofactoren vastgesteld kan worden. Het DBN-model is ontwikkeld om bij ALS de overleving en het verlies van vitale functies, zoals communiceren, slikken, mobiliteit en ademhaling, in te kunnen schatten.
Een analyse uit 2019 toonde aan dat dit model in staat was om het beloop van de meest waarschijnlijke ALS-trajecten te kunnen voorspellen. Bovendien werden aan de hand van dit model biomarkers geïdentificeerd die verband houden met de klinische status van patiënten en hun vitale functies. Nu is het model gebruikt om patiënten te stratificeren in subgroepen die een verschillende prognose hadden.
Presentatie tijdens EAN
De patiënten, die in deze studie prospectief werden gevolgd, waren afkomstig van vier cohorten uit Italië en twee cohorten uit Israël, die beide bestonden uit patiënten bij wie tussen 2007 en 2014 de diagnose ALS was gesteld. Eerst werden met een Bayesiaanse Netwerk-analyse de kansen op veranderingen van bepaalde variabelen bij deze patiënten geschat. Om de nauwkeurigheid van het model te bepalen, is vervolgens vastgesteld hoe vaak patiënten de betreffende eindpunten al dan niet ontwikkelden.
In het DBN-model zijn veel variabelen opgenomen. Bovendien zijn bij het beoordelen van het model real-life klinische en epidemiologische gegevens gebruikt. De onderzoekers denken dat dit model de zorg voor ALS-patiënten en de opzet van klinische studies kan verbeteren.
Bronnen: