GenoMed4ALL: Verbesserung der SCD-Klassifizierung und -Prognose durch KI (GenoMed4ALL)

SCD ist eine chronisch lebensbedrohliche Multisystemerkrankung, die autosomal-rezessiv vererbt wird und durch das Vorhandensein von abnormalem Hämoglobin S (HbS) verursacht wird, das aus der Sichelmutation im HBB-Gen resultiert. Obwohl es sich bei der SCD um eine Einzelgenmutationsstörung handelt, weist sie eine extreme phänotypische Variabilität auf, die noch nicht vollständig verstanden ist. Mehrere genetische und umweltbedingte Faktoren sollen einen Einfluss auf den Krankheitsphänotyp, die klinischen Manifestationen, das Fortschreiten von Organschäden und die Lebensqualität über die gesamte Lebensspanne haben.

Obwohl in den letzten Jahrzehnten erhebliche Fortschritte in der hochkomplexen Pathophysiologie der SCD erzielt wurden, steckt die Möglichkeit einer personalisierten Medizin noch in den Kinderschuhen. Es fehlen Marker für die Schwere der Erkrankung, die Prognose und das Ansprechen auf die Behandlung. Insbesondere die Heterogenität des klinischen Krankheitsausdrucks sowie die langfristigen chronischen Komplikationen aufgrund der erhöhten Lebenserwartung der Patienten sollten durch innovative und personalisierte Behandlungen angegangen werden. Darüber hinaus ist eine Bewertung der Rolle der neuartigen Behandlungen sowohl im Hinblick auf die langfristige Wirksamkeit und Sicherheit als auch im Hinblick auf das Kosten-Wirksamkeits-Verhältnis erforderlich. Die Knappheit und Fragmentierung der SCD-Daten hindern Forscher daran, die kritischen Zahlen zu erreichen, die für die Grundlagenforschung und die klinische Forschung erforderlich sind. Forschung und datengesteuerte Lösungen sind daher unerlässlich, um die Versorgung von SCD-Patienten und ihre Lebensqualität zu verbessern.

Die Verfügbarkeit zahlreicher Behandlungsmöglichkeiten sowie die hohe Heterogenität der Erkrankungen verdeutlichen die Notwendigkeit, auf die Schweregrade der Patienten einzugehen und jedem Betroffenen die beste Versorgung zu bieten. Die Entwicklung der GENOMED4ALL-KI-Algorithmen für SCD wird für die detaillierte Charakterisierung und Vorhersage der verschiedenen Komplikationen von SCD von großer Bedeutung sein. Zu den wichtigsten Endpunkten von Interesse gehören:

• Verbesserung der SCD-Klassifizierung
• Entwickeln Sie einen Wahrscheinlichkeitswert, um verschiedene Muster vorherzusagen, die von künstlicher Intelligenz (KI) erkannt werden, basierend auf der Analyse der Magnetresonanztomographie des Gehirns (Radiomics).
• Entwicklung prädiktiver Risikoscores für das Auftreten der häufigsten und schwerwiegendsten klinischen Folgen
• Entwicklung prädiktiver Risikoscores im Laufe der Zeit für das Auftreten der häufigsten und schwerwiegendsten klinischen Folgen.

RADeep wird zur Standardisierung bestehender klinischer und Labordaten verwendet. Es wurde ein CRF entwickelt, der etwas mehr als 250 Datenelemente umfasst. Das GenoMed4All CRF baut auf früheren Arbeiten von RADeep auf und umfasst den „Satz gemeinsamer Datenelemente für die Registrierung seltener Krankheiten“, der im Dezember 2017 als Ergebnis einer speziellen Arbeitsgruppe unter der Leitung des Joint Research Centre (JRC) veröffentlicht wurde. Dieser Ansatz gewährleistet die Interoperabilität mit anderen ähnlichen Initiativen in Europa und ermöglicht auch die Wiederverwendung der gesammelten Daten für zukünftige Forschungsstudien.

Genomweite Assoziationsstudien (GWAS) erweitern das Konzept der Assoziationsstudien, um Hunderttausende Einzelnukleotid-Polymorphismen (SNPs) gleichzeitig zu untersuchen und eine kostengünstige Möglichkeit zur Erforschung genetischer Varianten im gesamten Genom bereitzustellen. Doch trotz des großen Interesses an der Identifizierung genetischer Modifikatoren bei SCD suchte die Mehrheit der bisherigen GWAS nach genetischer Verknüpfung und Assoziation mit HbF-Spiegeln, einem nachgewiesenen verbessernden Faktor für die Schwere der Erkrankung. Darüber hinaus war der Einsatz von Datenwissenschaft und künstlicher Intelligenz (KI) in der SCD-Forschung begrenzt. Daher bietet die Generierung von GWAS-Daten in Kombination mit der Verwendung des neuesten Imputationspanels für die Imputation eine Chance für die Entwicklung neuartiger KI-Techniken und für neuartige Entdeckungen bei SCD.

Stille Hirninfarkte (SCIs) sind eine wesentliche Morbiditätsursache bei SCD: Sie betreffen 25 % der Kinder im Alter von 6 Jahren und 40 % im Alter von 18 Jahren und haben Auswirkungen auf die kognitiven Fähigkeiten, die Schulbildung, die Arbeitsfähigkeit und die Lebensqualität. Daher ist eines der Ziele des klinischen SCD-Falls in GENOMED4ALL der Einsatz von Radiomics – einer quantitativen Methode zur Auswertung und Interpretation medizinischer Bilder – und KI, erstens um eine automatische und einheitliche Identifizierung und Charakterisierung von SCI auf MRTs zu entwickeln, zweitens um Korrelieren Sie Bilddaten mit anderen Arten von OMICS-Daten, um das Risiko des Auftretens und Wiederauftretens vorherzusagen.

Die Verformbarkeit der roten Blutkörperchen (RBC) von Personen mit SCD ist unabhängig vom Genotyp deutlich abnormal. Mehrere Studien berichteten über gewisse Zusammenhänge zwischen dem im Steady-State gemessenen Grad der Beeinträchtigung der Erythrozytenverformbarkeit bei SCD-Patienten und dem Vorliegen chronischer Komplikationen wie Priapismus, Beingeschwüre, Glomerulopathie usw. Die kürzlich entwickelte Technik der Sauerstoffgradienten-Ektacytometrie ermöglicht eine umfassendere funktionelle Charakterisierung und rheologisches Verhalten von SCD-Erythrozyten über einen Bereich von Sauerstoffspannungen, um zu testen, ob die rheologischen Veränderungen klinische Schwere/Komplikationen widerspiegeln könnten. Daten zu rheologischen Eigenschaften von Erythrozyten bei allen Patienten in Der stationäre Zustand wird durch das Laser Optical Rotational Red Cell Analyzer (Lorrca) Ektacytometer (RR Mechatronics) ermittelt.

Durch die Kombination einer großen Menge standardisierter multimodaler Datensätze (klinisch, Multi-Omics und Bildgebung) gehen die Forscher davon aus, dass KI es ermöglichen wird, die SCD-Biologie und -Klassifizierung besser zu verstehen, die Prognose-/Vorhersagekapazität derzeit verfügbarer Tools zu verbessern und Behandlungen gezielter anzuwenden Dies erleichtert die Umsetzung personalisierter Medizinprogramme in der gesamten EU.