Ostatnie badanie przeprowadzone przez naukowców z Osaka Dental University, Kioto University, Osaka Metropolitan University i Osaka Electro-Communication University wykorzystały zaawansowane techniki obliczeniowe do analizy złożonych przejść stanu pacjentów z reumatoidalnym zapaleniem stawów. Badania, prowadzone przez profesora Keiichi Yamamoto, zostały opublikowane w czasopiśmie PLOS One i podkreślają wyzwania związane z osiągnięciem stabilnej remisji u pacjentów z reumatoidalnym zapaleniem stawów, jednocześnie proponując nowe metody przewidywania i poprawy wyników leczenia.
Reumatoidalne zapalenie stawów jest przewlekłą chorobą autoimmunologiczną charakteryzującą się zapaleniem stawów, co prowadzi do bólu i niepełnosprawności. Pomimo postępów w leczeniu, w tym stosowania metotreksatu oraz biologicznych i syntetycznych leków przeciwreumatycznych modyfikujących chorobę, tylko około połowa pacjentów osiąga remisję. Doprowadziło to do identyfikacji podzbioru pacjentów sklasyfikowanych jako „trudne do leczenia”, którzy nie reagują odpowiednio na konwencjonalne terapie. Głównym celem badania było lepsze zrozumienie stabilności stanów pacjentów w czasie i sposobu reagowania na leczenie.
Naukowcy wykorzystali analizę krajobrazu energetycznego i grupowanie szeregów czasowych na dane z reumatoidalnego reumatoidalnego organizacji sojuszu w sprawie reumatoidalnego zapalenia stawów, która zawiera kompleksowe dane kliniczne tysiącach pacjentów z reumatoidalnym zapaleniem stawów. Analiza krajobrazu energetycznego jest metodą pierwotnie stosowaną w badaniach składania białek, która została tutaj przystosowana do oceny stabilności stawów pacjentów z reumatoidalnym zapaleniem stawów. Przypisując wartości energii różnych stanach pacjentów, naukowcy mogą wizualizować i określić ilościowo, jak łatwo pacjent może przejść między stabilnymi i niestabilnymi stanami.
„Nasze badanie podzieliło przejścia stanu pacjenta na dwa odrębne wzorce:„ dobra stabilność prowadząca do remisji ”i„ słaba stabilność prowadząca do ślepego leczenia ”-wyjaśnił profesor Yamamoto. Analiza wykazała, że znaczna część pacjentów doświadczyła przejść stanu, na które mogą mieć wpływ leczenie, ale tylko te w grupie „dobrej stabilności” konsekwentnie osiągały remisję. Krajobraz energetyczny zapewnił wyraźną wizualizację, której pacjenci prawdopodobnie pozytywnie zareagują na leczenie, a które nie.
Klastowanie szeregów czasowych, przy użyciu metody zwanej dynamicznym wypaczeniem czasu, dodatkowo pogrupował pacjentów w trzy klastry w oparciu o ich przejścia stanowe w czasie: „w kierunku dobrej stabilności”, „w kierunku złej stabilności” i „niestabilnej”. Pacjenci w niestabilnym klastrze stanowili szczególnie trudny scenariusz, ponieważ ich przebieg kliniczny był trudny do przewidzenia. „Pacjenci w niestabilnym klastrze powinni być leczeni z większą ostrożnością, ponieważ ich reakcje na leczenie są mniej przewidywalne”, podkreślił profesor Yamamoto.
W badaniu zbadano również wpływ różnych strategii leczenia w ciągu trzech lat, ze szczególnym naciskiem na pierwsze sześć miesięcy leczenia, co jest krytycznym oknem dla osiągnięcia remisji. Odkrycia ujawniły, że większość pacjentów, którzy ostatecznie osiągnęli remisję, wykazała znaczną poprawę w ciągu pierwszych sześciu miesięcy, podczas gdy ci, którzy nie poprawili się w tym okresie, raczej nie zrobili tego później.
Te wgląd w reumatoidalne dynamikę leczenia zapalenia stawów podkreślają znaczenie wczesnej interwencji i starannego monitorowania. Zdolność przewidywania, którzy pacjenci zareagują na leczenie, może znacznie poprawić wyniki, umożliwiając bardziej spersonalizowane plany leczenia. Innowacyjne wykorzystanie analizy krajobrazu energetycznego i grupowanie czasów stanowi potężne narzędzie dla klinicystów do oceny stabilności pacjentów i podejmowania bardziej świadomych decyzji dotyczących strategii leczenia.
W badaniu stwierdzono, że analiza krajobrazu energetycznego może być szczególnie przydatna w rzeczywistej praktyce klinicznej, w której warunki pacjenta zmieniają się w czasie, a zabiegi należy dynamicznie dostosować. Ta metoda, w połączeniu z grupowaniem szeregów czasowych, oferuje obiecujące podejście do rozwiązania złożoności leczenia reumatoidalnego zapalenia stawów, szczególnie u pacjentów, którzy nie reagują na konwencjonalne terapie.
Jak zauważył profesor Yamamoto: „Badania te otwierają nowe możliwości zrozumienia reakcji pacjentów na reumatoidalne leczenie zapalenia stawów i mogą prowadzić do bardziej skutecznych i spersonalizowanych strategii opieki w przyszłości”.
Referencje dziennika
Yamamoto, K., Sakaguchi, M., Onishi, A., Yokoyama, S., Matsui, Y., Yamamoto, W., Onizawa, H., Fujii, T., Murata, K., Tanaka, M., Hashimoto, M., i Matsuda, S. (2024). „Analiza krajobrazu energetycznego i analiza klastrowania szeregów czasowych wielopoziomowości stanu pacjenta związana z reumatoidalnym zapaleniem stawów: badanie kohortowe Kurama”. PLOS ONE, 19 (5), E0302308. Doi: https://doi.org/10.1371/journal.pone.0302308
O autorach
Dr Keiichi Yamamoto zajmuje się badaniami i edukacją w zakresie informacji na temat danych zdrowotnych i informatyki badań klinicznych, z szerokim doświadczeniem w budowie wielu baz danych badań medycznych i silnym zapisem badań klinicznych. Na Osaka Dental University jest powiązany z Division of Data Science, Center for Industrial Research and Innovation, Translational Research Institute, gdzie nadzoruje inicjowane przez badaczy badania kliniczne dotyczące rozwoju leków i urządzeń medycznych. Ponadto pełni funkcję dyrektora Centrum Informacji Edukacyjnej, zarządzając operacjami IT na uniwersytecie, w tym ze szpitalem. Jego wkład akademicki obejmuje pełnienie funkcji członka komitetu zarządzającego bazą danych w różnych społeczeństwach akademickich, jako dyrektor wykonawczy ds. Operacyjnych w stowarzyszeniu danych o zdrowiu oraz jako członek zarządu Rady Personal Health Record (PHR).
Du. Toin jest obecnie profesorem nadzwyczajnym na Wydziale Inżynierii Informatyki, Osaka Electro-Communiation University, Japonia. Jego zainteresowania badawcze koncentrują się na stosowaniu metod badań operacyjnych do danych zdrowotnych. Jest zainteresowany technikami analitycznymi, które wspierają podejmowanie decyzji dla pracowników służby zdrowia. Ponadto jest zaangażowany w zarządzanie bazami danych rejestru raka i jest członkiem komitetu Japan Cancer Registry Association.
