Verbesserte Prognostik durch neue Klassifizierung mittels Deep Learning

ANA-assoziierte muskuloskelettale rheumatische Erkrankungen (ANA-RMDs) umfassen verschiedene Kollagenosen wie z.B. den systemischen Lupus erythematodes oder das Sjögren-Syndrom.

In der hier vorgestellten Studie wurden mittels Variational Autoencoder (VAE), einer Architektur eines künstlichen neuronalen Netzes, klinische und immunphänotypische Registerdaten von Patient:innen der europäischen PRECISESADS-Kohorte analysiert.

Dabei wurden 5 primäre ANA-RMD-Klassen identifiziert, von denen eine wiederum in insgesamt 7 „Präzisions“-Klassen unterteilt wurde. Dabei entsprach keine der vorherigen, „klassischen“ Diagnosen vollständig einer der neuen Klassen.

Diese neuen Klassen wiesen homogenere klinische und immunphänotypische Merkmale auf und ermöglichten eine bessere Vorhersage der Langzeitergebnisse als die vorherigen Diagnosen.

Nach einer Beobachtungszeit von 5 Jahren zeigt sich, dass das Langzeit-Outcome der Patient:innen durch den Deep-Learning-Ansatz besser vorhergesagt werden kann als durch die Erfüllung der Klassifikationskriterien in Patient:innen klassifiziert.

Fazit: Diese Neuklassifizierung von ANA-RMDs könnte zu homogeneren Kohorten für klinische Studien führen. Dies könnte einerseits höhere Effektstärken in klinischen Studien und andererseits den Zugang zu verschiedenen Therapieoptionen ermöglichen.

Arnold J et al. OP0145

» zum Abstract