Machine learning-modellen kunnen artsen op betrouwbare wijze informeren over de progressie van invaliditeit bij multiple sclerose, volgens een nieuwe studie die deze week is gepubliceerd in het open-access tijdschrift PLOS Digital Health door Edward De Brouwer van KU Leuven, België, en collega’s.
Multiple sclerose (MS) is een chronische progressieve auto-immuunziekte die in de loop van de tijd tot ernstige invaliditeit leidt door een complex patroon van progressie, herstel en terugval. De wereldwijde prevalentie is de afgelopen tien jaar met meer dan 30% toegenomen. Toch zijn er maar weinig hulpmiddelen die de progressie van MS kunnen voorspellen om artsen en patiënten te helpen bij het maken van levensplanning en behandelbeslissingen.
In de nieuwe studie gebruikten De Brouwer en collega’s gegevens van 15.240 volwassenen met minstens drie jaar MS-geschiedenis die werden behandeld in 146 MS-centra in 40 landen. Gegevens over de ziekteprogressie van elke patiënt gedurende twee jaar werden gebruikt om geavanceerde machine learning-modellen te trainen om de waarschijnlijkheid van ziekteprogressie in de daaropvolgende maanden en jaren te voorspellen. De modellen werden getraind en gevalideerd met behulp van strikte klinische richtlijnen, wat de toepasbaarheid van de modellen in de klinische praktijk bevordert. Hoewel individuele modellen varieerden in prestaties tussen verschillende patiëntengroepen, hadden de modellen een gemiddelde area under the ROC curve (ROC-AUC) van 0.71 ± 0.01. De studie vond dat de geschiedenis van invaliditeitsprogressie meer voorspellend was voor toekomstige invaliditeitsprogressie dan behandelings- of terugvalgeschiedenis.
De auteurs concluderen dat de in de studie ontwikkelde modellen het potentieel hebben om de planning voor individuen met MS aanzienlijk te verbeteren en in een klinische impactstudie geëvalueerd zouden kunnen worden.
De Brouwer voegt toe: “Met behulp van de klinische geschiedenis van meer dan 15.000 mensen met multiple sclerose hebben we een machine learning-model getraind dat in staat is om de waarschijnlijkheid van invaliditeitsprogressie in de komende twee jaar betrouwbaar te voorspellen. Het model maakt alleen gebruik van routinematig verzamelde klinische variabelen, wat het breed toepasbaar maakt. Onze rigoureuze benchmarking en externe validatie ondersteunen het enorme potentieel van machine learning-modellen om patiënten te helpen bij hun levensplanning en artsen bij het optimaliseren van behandelstrategieën.”
Links
https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000533