CoMPaSS-NMD - Вычислительные модели для стратегий стратификации новых пациентов при HNMD (CoMPaSS-NMD)

Наследственные нервно-мышечные заболевания (HNMD) — это наследственные генетические заболевания, которые вызывают прогрессирующую мышечную слабость и атрофию, значительно ухудшают подвижность и часто приводят к долгосрочной инвалидности [1, 2]. Эти условия резко ухудшают социальное участие, приводят к потере независимости и могут привести к преждевременной смерти [3]. Помимо влияния на повседневную деятельность и социальную активность, HNMD требуют тщательного ухода со стороны других, налагая существенное личное, социальное и экономическое бремя на пациентов, их семьи и общество. HNMDs представляют собой подгруппу в более широкой категории заболеваний опорно-двигательного аппарата, которые являются основной причиной многих лет жизни с инвалидностью. Хотя по отдельности HNMD встречаются редко, в совокупности они поражают более двух миллионов человек во всем мире [4].

Диагностика HNMD часто включает в себя множество дорогостоящих исследований, которые могут быть частичными или неубедительными, что делает индивидуальный прогноз неопределенным. Современные генетические исследования выявили 16 групп HNMD с более чем 600 генами, вызывающими заболевание [5]. Классификация HNMD в настоящее время в основном основана на таких факторах, как тип наследования, генетическая мутация, клиническая картина слабости, гистологические особенности, возраст начала, скорость прогрессирования и прогноз.

Молекулярный анализ ДНК стал стандартом диагностики этих заболеваний. Однако обширное генетическое секвенирование выявило широкий фенотипический спектр с различными клиническими проявлениями у пациентов или здоровых родственников, несущих мутации в одном и том же гене, что усложняет корреляцию с клиническим «гештальтом». Пациенты с HNMD часто демонстрируют сходные особенности и изменения в визуализации мышц и гистологии, однако у некоторых могут быть мутации в разных генах, в то время как у других могут не быть очевидных вредных вариантов. Эти наблюдения подчеркивают ограничения современных диагностических подходов и позволяют предположить, что наследственные нервно-мышечные расстройства могут быть результатом сложных, в значительной степени неизвестных биологических взаимодействий.

Следовательно, 60% пациентов с симптомами нервно-мышечных заболеваний не получают точного молекулярного диагноза, а эффективные методы лечения большинства этих заболеваний в настоящее время недоступны [6].

В последние годы искусственный интеллект (ИИ), особенно машинное обучение (МО), достиг уровня, позволяющего использовать его в науках о жизни, открывая путь к персонализированному здравоохранению [7]. Вычислительные инструменты на основе ML открывают беспрецедентную возможность расширить медицинские знания, предоставляя новое понимание патогенетических механизмов и механизмов передачи HNMD, обеспечивая точную клиническую характеристику и диагностику, поддерживая точные клинические решения и улучшая прогноз на будущее, который часто сложно предсказать в клиническая практика.

Проект CoMPaSS-NMD направлен на разработку, применение и тестирование новых инструментов ОД для стратификации пациентов с HNMD, преследуя следующие четыре основные цели:

1. Создавайте надежные и надежные наборы данных для разработки вычислительных инструментов на основе проверенных данных.
2. Создайте решения для интеграции клинических данных для классификации клинических фенотипов для поддержки пациентов, медицинских работников, научного сообщества и людей, потенциально затронутых HNMD.
3. Разработать научно обоснованные рекомендации по улучшению ведения пациентов на основе стратификации фенотипов, повышая текущие стандарты медицинской помощи для поставщиков медицинских услуг.
4. Создать онлайн-платформу для сбора общедоступных данных, соответствующую принципам Европейского Союза (ЕС) FAIR (обнаруживаемый, доступный, совместимый, многоразовый) для пациентов, страдающих нервно-мышечными заболеваниями, известную как ATLAS-NMD.

Исследование CoMPaSS обрабатывает как уже существующие, так и вновь полученные данные в двух частях: (i) ретроспективное обсервационное исследование с использованием генетических, гистопатологических данных и данных магнитно-резонансной томографии (МРТ), собранных из центров Великобритании (UNEW), Франции (CERBM). , Финляндия (SFF) и Италия (FSM); и (ii) проспективное исследование, включающее сбор клинических, генетических, гистопатологических данных и данных МРТ у 500 ранее не диагностированных пациентов в клинических справочных центрах в Италии (FSM, UNIMORE) и Германии (LMUM).

Каждый участник проспективного исследования пройдет:

• Стандартизированный протокол клинической оценки, в котором оцениваются все мышечные области, данные записываются в электронную клиническую карту (eCRF).
• МРТ мышц проводят по клиническим показаниям.
• Биопсия пораженной мышцы, если есть клинические показания.
• Геномный анализ ДНК, выделенной из лимфоцитов периферической крови. Участие в исследовании будет предоставлено только после того, как участник или его законный представитель ознакомится с информационным листом исследования, предоставит информированное согласие на обработку конфиденциальных данных и конфиденциальности и подпишет документ о согласии.

В исследовании используются вычислительные инструменты для кластеризации на основе неконтролируемой многомерной обработки, которая использует внутреннюю структуру данных для определения схожих групп среди пациентов. Что касается конфиденциальности данных, минимизации данных и прав доступа к данным, исследование следует подходу федеративного обучения. Это гарантирует, что модели для стратификации и классификации могут быть обучены совместно несколькими организациями, сохраняя при этом децентрализацию данных в каждом клиническом центре.

В исследовании используется методология совместного проектирования, ориентированная на пациента, предполагающая активное участие заинтересованных сторон и взаимодействие с другими проектными консорциумами при соблюдении всех принципов защиты и управления данными.

Что касается ожидаемых результатов, исследование направлено на то, чтобы предоставить исследователям эффективные решения для интеграции данных о состоянии здоровья и более точной классификации клинических фенотипов. На основе этих результатов будут разработаны научно обоснованные рекомендации с использованием стратификации отличительных клинических признаков, что в конечном итоге предложит более высокий стандарт лечения для диагностики и прогноза пациентов с HNMD.

Исследование финансируется европейской рамочной программой «Горизонт Европы» под названием HORIZON-HLTH-2022-TOOL-12-two-stage.