Digitaalisen kaksoiskappaleen teknologian ja kliinisten päätöksentekojärjestelmien käyttäminen potilaiden ajoissa havaitsemisen, personoidun hoidon ja pitkäaikaisen seurannan parantamiseksi koko metabolisesti liittyvän rasvamaksan taudin (MAFLD) kirjossa. (ARTEMIS)

1. - Sanasto CT : Tietokonetomografia CVD : Sydän- ja verisuonitaudit HCC : Maksasyöpä MASH : Aineenvaihdunnan häiriöön liittyvä steatohepatiitti MASLD : Aineenvaihdunnan häiriöön liittyvä rasvamaksatauti MRI : Magneettikuvaus PET : Positroniemissiotomografia SLD : Rasvamaksatauti TACE : Transarteriaalinen kemioembolisaatio TARE : Transarteriaalinen radioembolisaatio TIPS : Transjugulaarinen intrahepaattinen portosysteeminen shunt US : Ultraääni USE : Ultraäänielastografia VCTE : Värähtelykontrolloitu transienttielastografia

2. - Kliinisen tutkimuksen kuvaus

   ARTEMIS-retrospektiivikohortti vastaa määritelmää "terveystietojen retrospektiivinen kerääminen ja analysointi yksittäisiltä potilailta tai terveiltä henkilöltä tieteellisten kysymysten ratkaisemiseksi, jotka liittyvät sairauden, mielenterveysongelman tai fyysisen tilan ymmärtämiseen, ehkäisemiseen, diagnosointiin, seurantaan tai hoitoon", kuten tämän haun työohjelmassa määritellään. Tällöin asetuksen 536/2014 (lääkevalmisteista) määrittelemä kliinisen tutkimuksen määritelmä ei sovellu tutkimuksemme viitekehyksessä.

   Kohortti palvelee seuraavia pääasiallisia tavoitteita:

   • Koneoppimis- tai mekanististen mallien kehittäminen ja validointi, jotka voivat ennustaa maksasairauksien, erityisesti MASLD:n eri vaiheiden kehitystä (käyttötapaukset 1 ja 2), sekä joidenkin interventioiden tai hoitojen tuloksia (käyttötapaukset 3 ja 4).
   • Uusien korrelaatioiden tunnistaminen tai epäiltyjen korrelaatioiden vahvistaminen erityisten havaintojen, interventioiden ja tulosten välillä, erityisesti sydän- ja verisuonitapahtumien osalta.

3. - Tutkimuksen perustelut Aineenvaihdunnan häiriöön liittyvä rasvamaksatauti (MASLD) on tällä hetkellä maailmanlaajuisesti yleisin krooninen maksasairaus, jonka globaali esiintyvyys on 25,24% (2). Sen luonnollinen historia on edelleen epäselvä moninaisten tautikehityksen reittien vuoksi (3), sekä väestöpohjaisten pitkän aikavälin ennustetta käsittelevien tutkimusten puutteen vuoksi (4). Yrityksenä lievittää laadukkaiden tietojen niukkuutta MASLD:n luonnollisesta historiasta (5) ja parantaa potilashoitoa, ARTEMIS-hanke suunnittelee luovansa pitkittäiskohortin, joka kattaa potilaita eri maksasairauksien vaiheissa, keskittyen erityisesti MASLD:hen (käyttötapaukset 1 ja 2).

   Ottaen huomioon MASLD-mekanismien huomattavan heterogeenisyyden, laskennallisten mallien käyttö on yleistynyt tieteellisessä yhteisössä tehokkaana keinona selvittää tätä monimutkaista aihetta (6). Erityisesti ihmisen maksan aineenvaihdunnan ymmärtäminen on keskeisessä roolissa syvemmän ymmärryksen saavuttamisessa tautikehityksen päätekijöistä. Tässä suhteessa mekanistiset mallit ovat tärkeässä asemassa maksalle ja gastroenterologiselle järjestelmälle ominaisen monimutkaisuuden esittämisessä. Täydentävällä tavalla koneoppimismallien odotetaan vastaavan tarkempiin kysymyksiin, jotka liittyvät taudin eri vaiheisiin ja siihen liittyviin komorbiditeetteihin, mahdollistaen näin diagnoosin ja ennusteen sekä riskiluokittelun ennustamisen kullekin alaryhmälle ominaisiin parametreihin perustuen.

   Tässä valossa ARTEMIS-kohorttia käytetään uusien hypoteesien testaamiseen sekä laskennallisten mallien - mukaan lukien koneoppimismallit, mekanistiset mallit ja niiden yhdistelmät - suorituskyvyn kouluttamiseen, validoimiseen ja arviointiin, joiden tavoitteena on parantaa MASLD-potilaiden hoitoa. ARTEMIS-kohortti sisältää retrospektiivisiä monilähteisiä tietoja MASLD-potilaille koko taudin kirjosta, mukaan lukien MASH-, kirsroosi- ja HCC-potilaat. Kohortti sisältää potilaita 12 keskuksesta 7 maassa. Kohortti sisältää myös tietoja näihin väestöryhmiin liittyvistä merkittävimmistä komorbiditeeteista, erityisesti sydän- ja verisuonitapahtumista.

4. - Nykyisen tiedon laajuus ja arviointi, joka liittyy suoraan kliinisen tutkimuksen vastattaviin tieteellisiin kysymyksiin

   MASLD:n luonnollisen historian monimutkaisuuksien lisäksi sitä on yhdistetty lisääntyneeseen riskiin sairastua sydän- ja verisuonitauteihin (CVD) ja sydäntapahtumiin, mukaan lukien sepelvaltimotauti, ateroskleroosi, sydämen vajaatoiminta ja rytmihäiriöt. Tarkkaa mekanismia, jolla MASLD lisää CVD-riskiä, ei täysin ymmärretä, mutta sen uskotaan liittyvän systeemiseen tulehdukseen ja aineenvaihdunnan häiriöön, jotka liittyvät tilaan.

   Useat tutkimukset ovat tutkineet MASLD:n ja sydäntapahtumien välistä suhdetta. Systemaattinen katsaus ja meta-analyysi, joka julkaistiin vuonna 2016 (7), analysoi 16 prospektiivista ja retrospektiivistä kohorttia, joissa oli 34 043 aikuista henkilöä (36,3 % MASLD:lla) ja noin 2 600 CVD-tulosta (>70 % CVD-kuolemia) mediaaniajanjaksona 6,9 vuotta. He päättelivät, että MASLD on yhteydessä lisääntyneeseen riskiin kuolemaan ja ei-kuolemaan johtavista CVD-tapahtumista, vaikka havainnointitutkimusten rakenne ei sallinut lopullisten kausaalipäätelmien tekemistä.

   On konsensus, että MASLD-potilaita tulisi seurata tarkasti sydän- ja verisuoniriski tekijöiden osalta ja hoitaa niiden mukaisesti riskin vähentämiseksi sairastua CVD:hen. Kuitenkin, ottaen huomioon taudin korkean nykyisen esiintyvyyden ja sen odotetun kasvun, tällainen seuranta voi rasittaa julkisia terveydenhuoltojärjestelmiä valtavasti.

   Tarvitaan ratkaisuja, jotka auttavat stratifioimaan niitä MASLD-potilaita, joilla on korkeampi riski kärsiä sydän- ja verisuonitapahtumista. ARTEMIS-kohortin tavoitteena on auttaa tällaisten ratkaisujen kehittämisessä, perustuen edistyneisiin laskennallisiin malleihin.

5. - Kliinisen tutkimuksen tavoitteet

ARTEMIS-hanke suunnittelee konsolidoivansa holistisen virtuaalimallin, joka mahdollistaa toisaalta paremman ymmärryksen MASLD:n etenemiseen liittyvistä taustalla olevista mekanismeista, sekä sydän- ja verisuonitapahtumien ennustamisen taudin eri vaiheissa. Tässä valossa tarkastellaan 4 kliinistä tapausta, joissa teorialähtöisiä mekanistisia ja datalähtöisiä tekoälymalleja kehitetään ja validoidaan, joko yksittäin tai yhdistettynä, riippuen esitetyistä kliinisistä kysymyksistä.

ARTEMIS-kohortin tavoitteena on arvioida mekanististen ja tekoälypohjaisten mallien suorituskykyä, joita käytetään eri kliinisissä tapauksissa, perustuen niiden herkkyyteen ja spesifisyyteen.