Your browser does not support JavaScript!

Αρχική    Συλλογές    Τύπος Εργασίας    Διδακτορικές διατριβές  

Διδακτορικές διατριβές

Τρέχουσα Εγγραφή: 4 από 2221

Πίσω στα Αποτελέσματα Προηγούμενη σελίδα
Επόμενη σελίδα
Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000446181
Τίτλος Comparative analysis of sensitivity and specificity of classification criteria and correlation with disease prognosis in patients with Systemic Lupus Erythematosus
Άλλος τίτλος Συγκριτική ανάλυση ευαισθησίας και ειδικότητας των κριτηρίων ταξινόμησης και συσχέτιση με την πρόγνωση νόσου σε ασθενείς με Συστηματικό Ερυθηματώδη Λύκο
Συγγραφέας Αδαμίχου, Χριστίνα
Σύμβουλος διατριβής Μπερτσιάς, Γεώργιος
Μπούμπας, Δημήτριος
Σιδηρόπουλος, Πρόδρομος
Περίληψη Εισαγωγή Ο συστηματικός ερυθηματώδης λύκος (ΣΕΛ) είναι ένα χρόνιο αυτοάνοσο νόσημα που προσβάλλει κυρίως γυναίκες αναπαραγωγικής ηλικίας. Χαρακτηρίζεται από μεγάλη κλινική ετερογένεια καθώς μπορεί να προσβάλλει σχεδόν οποιοδήποτε όργανο με ποικίλους τρόπους και σε διαφορετικό βαθμό σοβαρότητας. Η νόσος έχει εναλλασσόμενες περιόδους εξάρσεων και υφέσεων, ενώ μπορεί να οδηγήσει σε μη-αναστρέψιμη βλάβη/ δυσλειτουργία των οργάνων ως συνέπεια της χρόνιας φλεγμονής, της χρήσης κορτικοστεροειδών και των συννοσηροτήτων. Λόγω του ευρέος φάσματος εκδηλώσεων της νόσου, η έγκαιρη διάγνωση και κατά συνέπεια, η έγκαιρη αντιμετώπιση, αποτελεί σημαντική πρόκληση, η οποία περιπλέκεται περαιτέρω από την απουσία επίσημων διαγνωστικών κριτηρίων. Αντί αυτού, υπάρχουν κριτήρια ταξινόμησης (classification criteria) τα οποία βασίζονται στον συνδυασμό κλινικών και εργαστηριακών / ανοσολογικών ευρημάτων. Παρόλο που τα κριτήρια αυτά αναπτύχθηκαν με σκοπό την επιλογή ομοιογενών πληθυσμών ασθενών στα πλαίσια επιδημιολογικών ή κλινικών μελετών, χρησιμοποιούνται ευρέως στην κλινική πράξη και για τη διάγνωση της νόσου. Τα πλέον διαδεδομένα κριτήρια ταξινόμησης είναι αυτά του Αμερικανικού Κολλεγίου Ρευματολογίας (ACR-1997). Αποτελούνται από 11 κλινικές και ανοσολογικές εκδηλώσεις της νόσου και προκειμένου να ταξινομήσουν έναν ασθενή ως ΣΕΛ, απαιτούν την ύπαρξη τουλάχιστον 4 από αυτές. Παρά την ευκολία στη χρήση τους, έχουν χαμηλή ευαισθησία για σοβαρές μορφές της νόσου, ενώ μπορούν να ταξινομήσουν ως ΣΕΛ ασθενείς με αμιγώς ήπιες βλεννογονο-δερματικές εκδηλώσεις. Επιπλέον, απουσιάζουν αρκετές εκδηλώσεις από ορισμένα όργανα/ συστήματα (π.χ. νευρικό, αιμοποιητικό), με συνέπεια τη καθυστέρηση της διάγνωσης. Το 2012, η ομάδα Systemic Lupus International Collaborating Clinics (SLICC) πρότεινε νέα κριτήρια ταξινόμησης, τα οποία απαιτούν>4 από 17 εκδηλώσεις, συμπεριλαμβανομένων τουλάχιστον μίας κλινικής και μίας ανοσολογικής εκδήλωσης της νόσου, ή εναλλακτικά, αποδεδειγμένη με βιοψία νεφρίτιδα του λύκου με ύπαρξη θετικών αντιπυρηνικών αντισωμάτων (ΑΝΑ) ή αντισωμάτων έναντι διπλής έλικας του DNA (anti-dsDNA). Τα κριτήρια αυτά πλεονεκτούν καθώς περιλαμβάνουν περισσότερες κλινικές και ανοσολογικές εκδηλώσεις της νόσου. Παρόλο που έχουν υψηλότερη ευαισθησία (92-97% έναντι του 77-92%), υστερούν σημαντικά ως προς την ειδικότητα (74-88% έναντι 91-96%) σε σχέση με τα ACR κριτήρια. Οι περιορισμοί αυτοί οδήγησαν στην πρόσφατη (2019) συνεργασία των EULAR / ACR για την εισαγωγή ενός νέου συνόλου κριτηρίων ταξινόμησης. Τα νέα κριτήρια προϋποθέτουν την ύπαρξη θετικού τίτλου ANA ως κριτηρίου εισόδου, σε συνδυασμό με μια σειρά από κλινικά και ανοσολογικά κριτήρια, τα οποία έχουν διαφορετική βαρύτητα για τον υπολογισμό του συνολικού βαθμού που θα εντάσσει τον ασθενή ως πάσχων ή μη από ΣΕΛ. Κατά πόσον τα νέα κριτήρια ταξινόμησης επιτρέπουν την πιο έγκαιρη ταξινόμηση ασθενών με ΣΕΛ, με ανώτερη ευαισθησία και ειδικότητα σε σύγκριση με τα κριτήρια ACR και SLICC, επιτρέποντας τη χρήση τους στην κλινική πράξη ως βοήθημα για τη διάγνωση δεν είναι σαφές. Για το σκοπό αυτό, αρχικά αξιολογήσαμε τη συγκριτική απόδοση των τριών κριτηρίων ταξινόμησης του ΣΕΛ σε μια μεγάλη ομάδα ασθενών με πρώιμη διάγνωση ΣΕΛ ή άλλων ρευματολογικών παθήσεων, από την κοινότητα έως την τριτοβάθμια περίθαλψη. Εξετάσαμε επίσης ποια κριτήρια επιτρέπουν την έγκαιρη ταξινόμηση και αν αυτό έχει επιπτώσεις στη σοβαρότητα της νόσου. Στη συνέχεια, με βάση τα χαρακτηριστικά της κοορτής μας, προτείναμε τροποποιήσεις στους αλγόριθμους των κριτηρίων ταξινόμησης για να διασφαλίσουμε τον υψηλότερο συνδυασμό ευαισθησίας και ειδικότητας, επιτρέποντας έτσι την έγκαιρη ταξινόμηση και θεραπεία ασθενών με δυνητικά υψηλό φορτίο ασθένειας. Παρά την υψηλή ευαισθησία και ειδικότητα των υπαρχόντων και τροποποιημένων κριτηρίων, η ανάπτυξη βελτιστοποιημένων κριτηρίων ταξινόμησης (ή διάγνωσης) που θα περιλαμβάνει όλους τους ασθενείς με κλινικά σημαντική νόσο, ενώ θα αποκλείει τα υγιή ή με άλλη νόσο άτομα, παραμένει ένας σημαντικός και ανεκπλήρωτος στόχος. Κατά τη διάρκεια της διατριβής επιχειρήσαμε να καλύψουμε αυτό το κενό με τη δημιουργία ενός κλινικά εφαρμόσιμου αλγόριθμου για την εκτίμηση πιθανότητας διάγνωσης του ΣΕΛ με βάση τις συχνές εκδηλώσεις της νόσου. Πιο ειδικά, με τη χρήση εργαλείων τεχνητής νοημοσύνης και συγκεκριμένα, με τεχνικές μηχανικής μάθησης (ML) δημιουργήσαμε και επικυρώσαμε ένα νέο μοντέλο πρόβλεψης για τον Συστηματικό Ερυθηματώδη Λύκο, το οποίο βασίστηκε στα κλινικά χαρακτηριστικά των ασθενών της κοορτής μας. Η απόδοση του προγνωστικού αλγορίθμου αξιολογήθηκε περαιτέρω σε δύο ανεξάρτητα σύνολα ασθενών (ομάδες επικύρωσης) και συγκρίθηκε με τα κριτήρια ταξινόμησης ACR-1997, SLICC-2012 και EULAR / ACR-2019. Τέσσερις υποομάδες ασθενών ειδικού κλινικού ενδιαφέροντος από τις ομάδες επικύρωσης, δηλαδή ασθενείς με πρώιμο ΣΕΛ, νεφρίτιδα λύκου, NPSLE και ασθενείς με σοβαρές εκδηλώσεις, αναλύθηκαν χωριστά για να συγκριθεί το προγνωστικό μοντέλο με τα τρία σύνολα κριτηρίων. Εξετάσαμε περαιτέρω την απόδοση των τριών κριτηρίων ταξινόμησης, καθώς και του νέου αλγόριθμου πρόβλεψης ΣΕΛ, σε μια ομάδα περιπτώσεων με αδιαφοροποίητη νόσο, η οποία παρακολουθείται προοπτικά κατά τη διάρκεια αυτής της διατριβής. Σκοπός της μελέτης Αρχικά πραγματοποιήσαμε μια σε βάθος μελέτη των υπαρχόντων κριτηρίων ταξινόμησης του ΣΕΛ, μετά από συστηματική ανάλυση μεγάλης ομάδας ασθενών με ΣΕΛ και άλλων ρευματολογικών νοσημάτων σε δύο τριτοβάθμια κέντρα της Ελλάδας. Στη συνέχεια, με βάση τα χαρακτηριστικά των ασθενών της κοορτής μας, δημιουργήσαμε ένα νέο προγνωστικό μοντέλο για τον ΣΕΛ με την εφαρμογή τεχνικών μηχανικής μάθησης (machine learning). Πιο συγκεκριμένα: • συγκρίναμε την ευαισθησία και ειδικότητα των τριών συνόλων κριτηρίων ταξινόμησης (ACR-1997, SLICC-2012, EULAR / ACR-2019) σε μια καλά χαρακτηρισμένη κοορτή ασθενών με ΣΕΛ, αντιπροσωπευτική της κοινότητας, που διαγνώστηκαν με βάση τη γνώμη ενός έμπειρου ιατρού • εξετάσαμε ποιο από τα σύνολα κριτηρίων επιτρέπει την πρώιμη ταξινόμηση της νόσου τόσο σε ασθενείς με εγκατεστημένη νόσο όσο και σε ομάδα ατόμων με αδιαφοροποίητη νόσο, οι οποίοι ήταν υπό παρακολούθηση για διάστημα 1-3 ετών (προοπτικό σκέλος μελέτης) • εξετάστηκαν οι προγνωστικές επιπτώσεις (ανάπτυξη βλάβης οργάνων) της ταξινόμησης ή μη ασθενών με ΣΕΛ με τα τρία σύνολα κριτηρίων ταξινόμησης • έγιναν τροποποιήσεις και συνδυασμοί των αλγορίθμων των κριτηρίων SLICC-2012 EULAR/ACR-2019 με προσθήκες στοιχείων ώστε να ενισχυθεί η διαγνωστική τους ακρίβεια για των ΣΕΛ • δημιουργήσαμε ένα απλοποιημένο σύστημα αξιολόγησης για την εκτίμηση πιθανότητας του ΣΕΛ, χρησιμοποιώντας τεχνικές μηχανικής μάθησης, βασισμένες στα χαρακτηριστικά των ασθενών της κοορτής μας. • αξιολογήσαμε περαιτέρω την απόδοση του προγνωστικού αλγορίθμου σε δύο εξωτερικά σύνολα ασθενών και συγκρίθηκε με τα κριτήρια ταξινόμησης ACR-1997, SLICC-2012 και EULAR / ACR-2019. Ασθενείς και μέθοδοι Η μελέτη διεξήχθη σε δύο τριτοβάθμια κέντρα της Ελλάδας και περιλάμβανε ένα αναδρομικό και ένα προοπτικό σκέλος. Αξιοποιήθηκε το αρχείο (registry) ασθενών με ΣΕΛ και το αρχείο με άλλες ρευματολογικές παθήσεις της Ρευματολογικής Κλινικής ΠΑΓΝΗ και της Δ’ Παθολογικής κλινικής του Αττικού νοσοκομείου Αθηνών. • Κριτήρια ένταξης για την ανάλυση της ευαισθησίας και ειδικότητας των κριτηρίων και την τροποποίηση των υπαρχόντων κριτηρίων ήταν όλοι οι εγγεγραμμένοι ασθενείς ηλικίας > 15 ετών που διαγνώστηκαν με ΣΕΛ από ειδικό ιατρό, κατά την περίοδο 1/2005-12/2016 και ασθενείς > 15 ετών με άλλες ρευματολογικές παθήσεις που επιλέχθηκαν τυχαιοποιημένα από τα αντίστοιχα αρχεία ασθενών με άλλες ρευματολογικές παθήσεις των 2 συμμετεχόντων κλινικών. • Για τη δημιουργία προγνωστικού μοντέλου διάγνωσης ΣΕΛ με τεχνικές μηχανικής μάθησης συμπεριλήφθηκε τυχαιοποιημένο δείγμα 802 ασθενών ηλικίας >15 ετών και διάγνωση ΣΕΛ και άλλες ρευματολογικές παθήσεις από το 2005 και μετά, οι οποίοι επιλέχθηκαν τυχαιοποιημένα από τα αντίστοιχα αρχεία ασθενών των 2 συμμετεχόντων κλινικών. • Για το προοπτικό σκέλος εντοπίστηκαν άτομα ηλικίας >15 ετών που δεν πληρούν κανένα κριτήριο για ΣΕΛ ή για άλλες ρευματολογικές ασθένειες, τα οποία εμφανίζουν θετικά αυτοαντισώματα και κάποιες, όχι κλινικά σημαντικές εκδηλώσεις ή είναι πρώτου βαθμού συγγενείς ασθενών με ΣΕΛ. Αυτή η ομάδα αποτελεί την προκλινική (preclinical) ομάδα συμμετεχόντων ατόμων και παρακολουθούνται ανά 6-12 μήνες για πιθανή μετάβαση σε ΣΕΛ, σύμφωνα με τον ιατρό ή τα κριτήρια ταξινόμησης. Από τους ασθενείς συλλέχθηκαν δημογραφικά στοιχεία (φύλο, εθνικότητα, ημερομηνία γέννησης), το έτος διάγνωσης του ΣΕΛ ή άλλων διαγνώσεων (σύμφωνα με τη γνώμη ιατρού), η παρουσία (ναι / όχι) και το έτος εμφάνισης καθεμίας εκδήλωσης από τα 3 σύνολα κριτηρίων ταξινόμησης (ACR-1997, SLICC-2012, EULAR/ACR-2019), η παρουσία (ναι / όχι) και το έτος εμφάνισης επιλεγμένων πρόσθετων κλινικών εκδηλώσεων της νόσου που δεν περιλαμβάνονται στα υπάρχοντα κριτήρια ταξινόμησης (όπως φαινόμενο Raynaud, λεμφαδενοπάθεια σπληνομεγαλία, κλπ), η σοβαρότητα της νόσου, η ανάπτυξη μη-αναστρέψιμης βλάβη οργάνων (δείκτης SLICC / ACR Damage Index). Για τη συλλογή και την διαχείριση βάσεων δεδομένων για τη μελέτη, χρησιμοποιήθηκε η διαδικτυακή πλατφόρμα RedCap. Η ευαισθησία των κριτηρίων αξιολογήθηκε έναντι της διάγνωσης με βάση τον ιατρό, τόσο κατά τη στιγμή της διάγνωσης όσο και κατά την τελευταία επίσκεψη του ασθενούς (συνολική ευαισθησία). Προσδιορίστηκε η ειδικότητα με βάση τους ασθενείς με άλλες ρευματολογικές παθήσεις. Σε ξεχωριστή ανάλυση, υπολογίσαμε την ημερομηνία εκπλήρωσης κάθε συνόλου κριτηρίων και τον χρόνο που έχει παρέλθει από την εμφάνιση της πρώτης εκδήλωσης της νόσου. Η ανάλυση επικινδυνότητας (Hazard analysis) χρησιμοποιήθηκε για να προσδιοριστεί ο διάμεσος χρόνος (95% CI) μέχρι την ταξινόμηση για το κάθε σύνολο κριτηρίων. Οι τροποποιημένοι αλγόριθμοι ταξινόμησης προήλθαν από την ανάλυση τυχαίου 80% του δείγματος και επικυρώθηκαν στο υπόλοιπο 20% του συνόλου δεδομένων με πολλαπλές επαναλήψεις. Πραγματοποιήθηκαν συγκρίσεις μεταξύ των ομάδων με τη δοκιμή McNemar ή την ανάλυση γραμμικού μικτού μοντέλου για μερικώς ζευγαρωμένα δείγματα. Για τη δημιουργία απλοποιημένου συστήματος αξιολόγησης για την διάγνωση του ΣΕΛ εφαρμόσαμε δύο μοντέλα μηχανικής μάθησης, Logistic Regression (LR) σε συνδυασμό με LASSO Feature Selection και Random Forest, σε πλήθος κλινικών χαρακτηριστικών από τα κριτήρια ταξινόμησης (ACR-1997, SLICC-2012, EULAR / ACR-2019) και μη. Επιλέχθηκε το μοντέλο LR με την υψηλότερη ακρίβεια κατά τη διαδικασία της διασταυρούμενης επικύρωσης (10-fold cross-validation) και επαληθεύτηκε σε ανεξάρτητο δείγμα 513 ΣΕΛ ασθενών και 101 με άλλες ρευματολογικές ασθένειες. Δημιουργήθηκε ένα απλοποιημένο σύστημα αξιολόγησης για την πιθανότητα διάγνωσης του ΣΕΛ από το επιλεγμένο μοντέλο LR. Αποτελέσματα Συνολικά 690 ασθενείς με ΣΕΛ και 401 μάρτυρες με διάγνωση 1/2005-12/2016 αναλύθηκαν για τον υπολογισμό της διαγνωστικής αξίας των κριτηρίων ταξινόμησης ΣΕΛ. Η ανάλυση αυτή ανέδειξε υψηλότερη συνολική ευαισθησία (υπολογιζόμενη καθ’ όλη τη διάρκεια της παρακολούθησης) των EULAR / ACR-2019 και των SLICC-2012 κριτηρίων σε σύγκριση με τα ACR-1997 (88,6%, 91,3% και 85,7%, αντίστοιχα), και υψηλότερη ειδικότητα των EULAR / ACR-2019 (97,3%, 93,8% και 93,0% αντίστοιχα). Ωστόσο, τη χρονική στιγμή της διάγνωσης του ΣΕΛ από τον κλινικό ιατρό η αντίστοιχη ευαισθησία των κριτηρίων ήταν σαφώς χαμηλότερη (74,4%, 73,5%, και 69,5% αντίστοιχα). Παρόλο που τόσο τα EULAR/ACR όσο και τα SLICC κριτήρια επέτρεψαν την ταξινόμηση των ασθενών με ΣΕΛ νωρίτερα σε σύγκριση με τα κριτήρια ACR, η ταξινόμηση αυτή καθυστέρησε κατά >3 μήνες σε 17,3-19,9% των περιπτώσεων. Επιπλέον, μεταξύ των ασθενών με νευροψυχιατρικό λύκο (ΝΨΣΕΛ), η καθυστέρηση στη διάγνωση ήταν ακόμα πιο σημαντική. Η ανάλυση μόνο των ασθενών με διάρκεια νόσου <3 έτη, ανέδειξε σημαντικά αυξημένη συνολική ευαισθησία των EULAR / ACR (87,3%) και των SLICC (91,4%) σε σύγκριση με τα κριτήρια ACR (79,9%, p <0,01 και p <0,001, αντίστοιχα). Σε αυτήν την ομάδα ασθενών, η διάμεση (95% CI) χρονική διάρκεια μεταξύ της πρώτης εκδήλωσης της ασθένειας και της εκπλήρωση των κριτηρίων ήταν βραχύτερη για τα EULAR / ACR (9,1 [6,5-11,8] μήνες) και SLICC (9,1 [6.9-11.3] μήνες) σε σύγκριση με τα κριτήρια ACR (12,1 [9,6-14,7] μήνες, p = 0,043 και p = 0,001, αντίστοιχα), υποδηλώνοντας ότι τόσο τα κριτήρια EULAR / ACR όσο και SLICC έχουν αυξημένη ευαισθησία στον πρώιμο ΣΕΛ και επιτρέπουν την ταξινόμηση συντομότερα από τα κριτήρια ACR. Συνολικά, μόνο το 2,9% των ασθενών με ΣΕΛ δε ταξινομήθηκαν από κάποιο από τα τρία κριτήρια καθ’ όλη τη διάρκεια της παρακολούθησης, ενώ μόνο το 76,7% των ασθενών με ΣΕΛ πληρούσε και τα τρία κριτήρια, γεγονός που υποδηλώνει ότι το κάθε σύνολο κριτηρίων ταξινομεί διακριτούς φαινοτύπους της νόσου. Οι ασθενείς που δεν πληρούσαν τα κριτήρια ACR είχαν σημαντικά υψηλότερο επιπολασμό αιματολογικών και ανοσολογικών εκδηλώσεων. Οι ασθενείς που δεν πληρούσαν τα EULAR / ACR είχαν αυξημένα ποσοστά βλεννογονο-δερματικών εκδηλώσεων, ενώ εκείνοι που δεν ταξινομούνταν από τα κριτήρια SLICC είχαν κυρίως εκδηλώσεις από το δέρμα και τις αρθρώσεις. Από τους ασθενείς που δεν πληρούσαν κάποιο από τα τρία κριτήρια το 15% είχαν μετρίως σοβαρές εκδηλώσεις κατά BILAG και το 45% είχαν σοβαρές εκδηλώσεις κατά BILAG, ενώ το 50% των ασθενών αυτών εμφάνισε κατά τη διάρκεια της παρακολούθησης μη αναστρέψιμη βλάβη οργάνων. Το 20% των ασθενών αυτών είχε νευρολογικές εκδηλώσεις, ενώ η συχνότητα των ανοσολογικών εκδηλώσεων στους ασθενείς αυτούς ήταν χαμηλότερη. Προκειμένου να βελτιώσουμε την ακρίβεια των κριτηρίων ταξινόμησης, διερευνήσαμε εναλλακτικούς αλγόριθμους ταξινόμησης με βάση τα υπάρχοντα κριτήρια. Συγκεκριμένα, εξήχθη ένα τυχαίο δείγμα του 80% του συνολικού μας δείγματος (derivation cohort) και χρησιμοποιώντας τα χαρακτηριστικά των ασθενών της κοορτής μας, έγινε τροποποίηση των αλγορίθμων των EULAR/ACR και SLICC κριτηρίων. Συμπεριλήφθηκαν τα χαμηλά συμπληρώματα ή / και τα θετικά αντιφωσφολιπιδικά αντισώματα ως εναλλακτικό κριτήριο εισόδου στην περίπτωση των EULAR / ACR , ενώ στην περίπτωση των SLICC κριτηρίων έγινε τροποποίηση ώστε να επιτρέπεται η ταξινόμηση ασθενών με λιγότερα κλινικά χαρακτηριστικά, αλλά με εκδηλώσεις από πολλαπλά όργανα. Δοκιμάσαμε τους τροποποιημένους αλγόριθμους των κριτηρίων στο υπόλοιπο 20% του δείγματος (validation cohort) και εκτελώντας 100 επαναλήψεις των αναλύσεων, για να ληφθεί υπόψη η ετερογένεια των ασθενών, υπολογίσαμε τη διάμεση ευαισθησία και ειδικότητα των τροποποιημένων κριτηρίων. Τα τροποποιημένα αυτά κριτήρια EULAR/ACR και ανέδειξαν αυξημένη ευαισθησία κατά τη διάγνωση (διάμεση ευαισθησία 82,0% και 86,2% αντίστοιχα) και αυξημένη συνολική ευαισθησία (διάμεση 93,7% και 97,1% αντίστοιχα) με μικρή πτώση στην ειδικότητά τους (διάμεση ειδικότητα 94,9% και 90,2% αντίστοιχα). Σημαντικά, οι ασθενείς που δεν ταξινομούνταν από το τροποποιημένα αυτά κριτήρια είχαν χαμηλότερη συχνότητα εμφάνισης σοβαρής προσβολής οργάνων, χρήσης ανοσοκατασταλτικών / βιολογικών θεραπειών και μόνιμης βλάβης οργάνων. Για την ανάπτυξη προγνωστικού μοντέλου διάγνωσης για τον ΣΕΛ, 40 κλινικά επιλεγμένα πάνελ εκδηλώσεων του ΣΕΛ (που συμπεριλαμβάνονται ή όχι στα υπάρχοντα κριτήρια ταξινόμησης), υποβλήθηκαν σε αλγόριθμους μηχανικής εκμάθησης που απέδωσαν ένα μοντέλο 14 μεταβλητών LASSO (M31) με την καλύτερη απόδοση (CV10 ακρίβεια 95,3%, AUC 98,4%). Από το μοντέλο LR αναπτύξαμε ένα απλοποιημένο σύστημα αξιολόγησης, βασισμένο σε 14 κλασσικά κλινικά και ανοσολογικά χαρακτηριστικά, τον δείκτη SLE Risk Probability Index (SLERPI). Η θρομβοπενία/ αιμολυτική αναιμία, ο οξύς δερματικός λύκος, η πρωτεϊνουρία, τα χαμηλά επίπεδα C3/C4, τα ANA και άλλα αυτοαντισώματα (αντιφωσφολιπιδικά, anti-DNA, anti-Sm) είχαν την ισχυρότερη προγνωστική αξία και αντιστοίχως, το υψηλότερο συντελεστή βαρύτητας στο μοντέλο. Η χρήση του SLERPI επιτρέπει αφενός την ταξινόμηση των ασθενών σε κατηγορίες πρόγνωσης του ΣΕΛ (απίθανος, πιθανός, πολύ πιθανός και σίγουρος ΣΕΛ), αφετέρου τη διχοτομική διάγνωση (ΣΕΛ ή όχι) με ακρίβεια 94.8%. Επίσης, ο SLERPI παρουσιάζει υψηλή ευαισθησία για ασθενείς ΣΕΛ με πρώιμη νόσο (93.7%), νεφρίτιδα (97.9%) και σοβαρή νόσο που χρήζει ανοσοκατασταλτικής- βιολογικής θεραπείας (96.4%). Το προοπτικό μέρος αυτής της διατριβής είναι μια εξελισσόμενη μελέτη. Μετά από μέση παρακολούθηση 14,3 ± 7,5 μηνών (μέσος όρος ± τυπική απόκλιση), 127 συμμετέχοντες (100% Καυκάσιοι, 93,7% γυναίκες, μέση ηλικία 38,2 έτη) συμπεριλήφθηκαν στην προκαταρκτική ανάλυση. Η πλειοψηφία των συμμετεχόντων (75,6%) ήταν θετικοί για ΑΝΑ αντισώματα και οι συχνότερες αρχικές εκδηλώσεις ήταν η αρθρίτιδα (40,1%), η φωτοευαισθησία (33,1%), το εξάνθημα χρυσαλίδας (29,1%) και το φαινόμενο Raynaud (29,1%). Μέχρι στιγμής, 11 συμμετέχοντες έχουν μεταπέσει σε διάγνωση ΣΕΛ και 10 συμμετέχοντες έλαβαν εναλλακτικές διαγνώσεις. Μεταξύ των περιπτώσεων που διαγνώστηκαν με ΣΕΛ, μόνο ένας ασθενής πληρούσε τα κριτήρια ACR-1997 κατά την πρώτη εκτίμηση, ενώ 6 (54,5%) ασθενείς πληρούσαν τα κριτήρια SLICC-2012 και 2 (18,2%) ασθενείς πληρούσαν τα κριτήρια EULAR / ACR-2019. Τη στιγμή της διάγνωσης ΣΕΛ από τον ιατρό, 5 (45,5%) ασθενείς πληρούσαν τα ACR-1997 κριτήρια, 10 (90,9%) τα SLICC-2012 και 10 (90,9%) τα κριτήρια EULAR / ACR-2019. Μεταξύ των ασθενών που διαγνώστηκαν με εναλλακτικές ασθένειες 1 (10%) ασθενής ταξινομήθηκε εσφαλμένα ως ΣΕΛ από τα κριτήρια ACR-1997, 2 (20%) από τα κριτήρια SLICC-2012 και 4 (40%) από τα κριτήρια EULAR / ACR-2019, τόσο κατά την πρώτη εκτίμηση όσο και στην τελευταία. Μεταξύ αυτών των ατόμων που ανέπτυξαν ΣΕΛ (n = 11), οι 4/11 είχαν βαθμολογία SLERPI> 7 κατά την πρώτη εκτίμηση και 10/11 κατά τη στιγμή της διάγνωσης ΣΕΛ από τον κλινικό ιατρό. Μεταξύ των ασθενών που είχαν διαγνωστεί με εναλλακτικές διαγνώσεις (n = 10), 6/10 ασθενείς και 8/10 ασθενείς είχαν βαθμολογία SLERPI&ggt; 7 κατά την πρώτη και τελευταία εκτίμηση αντίστοιχα. Συμπεράσματα Τα υπάρχοντα κριτήρια ταξινόμησης ενδέχεται να μην επιτυγχάνουν την ταξινόμηση ασθενών με δυνητικά σοβαρή ασθένεια και να καθυστερούν, ιδιαίτερα σε περιπτώσεις νευρολογικού ΣΕΛ. Ο συνδυασμός και τω τριών κριτηρίων ταξινόμησης μπορεί να εξασφαλίσει την περίληψη του μέγιστου αριθμού ασθενών σε κλινικές δοκιμές. Η τροποποίηση του ορίου ταξινόμησης μπορεί να ενισχύσει περαιτέρω την ευαισθησία των νέων κριτηρίων EULAR/ACR, ιδιαίτερα στα αρχικά στάδια της νόσου. Ο νέος αλγόριθμος εκτίμησης πιθανότητας ΣΕΛ, ο οποίος αναπτύχθηκε με τεχνικές ML με βάση τις συχνές εκδηλώσεις της νόσου, θα μπορούσε να βοηθήσει στην έγκαιρη ανίχνευση και θεραπεία της νόσου, συμπεριλαμβανομένων των σοβαρών μορφών της. Τέλος, τα προκαταρκτικά αποτελέσματα της προοπτικής μελέτης δείχνουν ότι μεταξύ ατόμων με θετικά αυτοαντισώματα ή με πρώτου βαθμού συγγενείς με ΣΕΛ, ο βραχυπρόθεσμος κίνδυνος μετάβασης σε ΣΕΛ είναι χαμηλός. Τα κριτήρια SLICC-2012 μπόρεσαν να ταξινομήσουν εκείνες τις περιπτώσεις που μετέβησαν στον ΣΕΛ νωρίτερα, αλλά κατά τη στιγμή της διάγνωσης από τον κλινικό ιατρό τόσο τα κριτήρια SLICC-2012 όσο και τα κριτήρια EULAR / ACR-2019 ταξινόμησαν το 90% των ασθενών. Ο αλγόριθμος SLERPI έδειξε υψηλή ευαισθησία κατά τη στιγμή της διάγνωσης από τον ιατρό, αλλά εσφαλμένα προέβλεψε τη διάγνωση ΣΕΛ στους περισσότερους ασθενείς που έλαβαν τελικά εναλλακτικές διαγνώσεις. Μετά την ολοκλήρωση της μελέτης, τα κλινικά δεδομένα και τα δεδομένα που σχετίζονται με τον τρόπο ζωής των συμμετεχόντων θα συνδυαστούν με πληροφορίες από μεταγραφικό αίμα για τον καθορισμό μιας υποομάδας ατόμων υψηλού κινδύνου για εξέλιξη στον ΣΕΛ. Παρά την υψηλή απόδοση των κριτηρίων ταξινόμησης και του νέου προγνωστικού αλγορίθμου ΣΕΛ SLERPI, η ανάπτυξη βελτιστοποιημένων κριτηρίων ταξινόμησης (ή διάγνωσης) που θα περιλαμβάνει όλους τους ασθενείς με κλινικά σημαντική νόσο, ενώ θα αποκλείει τα υγιή ή με άλλη νόσο άτομα, παραμένει ένας σημαντικός και ανεκπλήρωτος στόχος.
Φυσική περιγραφή 122 σ. : σχεδ., πιν., εικ.(μερ. εγχρ.) ; 30 εκ.
Γλώσσα Αγγλικά, Ελληνικά
Θέμα Classification criteria
Machine learning
Κριτήρια ταξινόμησης
Μηχανική μάθηση
Συστηματικός ερυθηματώδης λύκος
Ημερομηνία έκδοσης 2022-03-30
Συλλογή   Σχολή/Τμήμα--Ιατρική Σχολή--Τμήμα Ιατρικής--Διδακτορικές διατριβές
  Τύπος Εργασίας--Διδακτορικές διατριβές
Μόνιμη Σύνδεση https://elocus.lib.uoc.gr//dlib/6/2/6/metadata-dlib-1645789458-258149-1847.tkl Bookmark and Share
Εμφανίσεις 118

Ψηφιακά τεκμήρια
No preview available

Κατέβασμα Εγγράφου
Προβολή Εγγράφου
Εμφανίσεις : 0