Karakterisering van het multisysteem-inflammatoire syndroom bij kinderen (MIS-C) en de relatie met de ziekte van Kawasaki

Klinische karakterisering (Burns, Tremoulet, Sivilay, Roberts, Jain): gedurende de 8 maanden van inschrijving die door dit supplement wordt gefinancierd, zullen 30 sites gegevens verzamelen over KD- en MIS-C-patiënten met behulp van het gedetailleerde casusrapportformulier in onze REDCap-database. Dit omvat gegevens over demografische gegevens van patiënten, klinische presentatie, laboratoriumgegevens, behandelingen, klinische uitkomsten en cardiovasculaire uitkomsten van alle KD- en MIS-C-patiënten, zodat de onderzoekers een systematisch beeld van de verschillende patiëntengroepen kunnen ontwikkelen (zie details hieronder).

Ouderobservaties (Kim): Om meer te weten te komen over tekenen en symptomen bij de patiënt en familieleden die leiden tot acute presentatie, zal een oudervragenlijst worden opgesteld en geanalyseerd door Dr. Katherine Kim met de Patiënten- en Ouderadviesraad. De onderzoekers verzamelen bekende tekenen en symptomen, evenals tekenen en symptomen die mogelijk niet eerder in de literatuur zijn vermeld, en registreren de aanwezigheid/afwezigheid, de locatie in het lichaam en de ernst van de aandoening per dag. De vragenlijst zal beschikbaar zijn als mobiele/webapplicatie en op papier. Met deze gegevens zullen de onderzoekers een verkennende analyse uitvoeren om symptoomfenotypes en de relaties van deze profielen met demografische kenmerken en klinische kenmerken te karakteriseren. Daarnaast zullen de onderzoekers beoordelen of we verschillen kunnen detecteren tussen de symptoomfenotypes van KD en MIS-C. De onderzoekers zullen clusteranalyses uitvoeren om symptoomfenotypes te identificeren op basis van geaggregeerde symptoomwaarnemingen, geblindeerd wat betreft veronderstelde of geverifieerde diagnose (n=100 met elk teken/symptoom op elke dag als een afzonderlijk gegevenspunt). Fenotypes kunnen kenmerken omvatten zoals symptomen die gelijktijdig voorkomen of onafhankelijk zijn, en symptoomlastindex (bijv. aantal aanwezige symptomen). De onderzoekers zullen de hiërarchische clusteranalyse van Ward gebruiken om het aantal waarschijnlijke clusters te schatten.3 De onderzoekers passen K-means niet-hiërarchische clusteranalyse toe die 100 keer wordt herhaald in een validatiemodel waarbij er één wordt weggelaten om de herhaalbaarheid en stabiliteit binnen het model te verzekeren. De onderzoekers zullen score-indices maken die worden geanalyseerd met logistische regressie, hoofdcomponentenanalyse, factoranalyse en correlatieanalyse. De onderzoekers zullen vervolgens beoordelen of clusters verband houden met geverifieerde diagnose en/of sociodemografische kenmerken zoals leeftijd, ras/etniciteit, geografie. De onderzoekers zullen discriminerende analysetechnieken en recentere classificatietechnieken zoals CART gebruiken om te onderzoeken of symptoomfenotypes van KD en MIS-C ongelijk zijn. Als informatie in termen van symptoomclusters op een bepaald moment of een traject van een enkel symptoom in de tijd onvoldoende is om onderscheid te maken tussen de twee aandoeningen, zou dit ondersteuning bieden voor het argument dat de geregistreerde symptomen onvoldoende zijn voor discriminatie of dat de twee ziekten entiteiten zijn niet symptomatisch verschillend. Deze verkennende analyse zal belangrijke informatie opleveren die verder kan worden ontwikkeld voor klinische begeleiding en oudereducatie.

Fotografie (Kim, Tremoulet): Patiëntfoto's van het oog, mond/tong en huiduitslag zullen worden verzameld als een nieuwe toevoeging aan de gebruikelijke klinische gegevens. Deze foto's die vóór de behandeling zijn gemaakt, zullen de aan- of afwezigheid van conjunctivale injectie en perilimbalsparing, mucocutane veranderingen in de orofarynx inclusief veranderingen in de vermiljoengrens (erytheem, kloven) en de tong (aardbeitong) en de aard van de uitslag documenteren. De foto's zullen worden onderworpen aan analyse met behulp van gezichtsherkenningssoftware en kunstmatige intelligentiebenaderingen die worden gebruikt door onze medewerkers van het University of Southern California Center for Artificial Intelligence in Society onder leiding van Hayden Shively en Lucas Hu om te evalueren of een computeralgoritme kan worden gemaakt dat kan differentiëren de klinische kenmerken van MIS-C op basis van foto's van kinderen met acute KD en kinderen met andere met koorts gepaard gaande ziekten bij kinderen. Dr. Katherine Kim van UC Davis zal de foto's vergelijken met de antwoorden op de vragenlijst om de ouderbeschrijvingen van tekenen en symptomen aan te vullen en de observaties te valideren. Deze vergelijking kan resulteren in verbeterde beschrijvingen met de woorden van ouders zelf. Er is fotografie nodig om deze fysieke bevindingen te documenteren, aangezien de onderzoekers in de loop der jaren hebben geleerd dat de beschrijving van deze kenmerken door artsen jammerlijk onnauwkeurig is. De vondst van bijvoorbeeld een aardbeientong is een specifiek letselpatroon waarbij de verhoornde toppen van de draadvormige papillen worden afgestorven en is historisch in verband gebracht met slechts 3 aandoeningen: door stafylokokken en streptokokken veroorzaakte toxine-gemedieerde ziekte en KD.