Påvisning av kliniske subgrupper av amyotrofisk lateralsklerose

Amyotrofisk lateralsklerose (ALS) er en av de vanligste formene for nevrodegenerasjon og står for ca. 6000 dødsfall i USA og 11 000 dødsfall i Europa, årlig¹. ALS er karakterisert av progressiv lammelse av lemmer og bulbær muskulatur, og fører typisk til død innen 3–5 år etter symptomdebut. Medisiner reduserer bare progresjonshastigheten minimalt, så behandlingen fokuserer på symptomatisk behandling.

ALS består av en samling med overlappende syndromer. Ulike klassifikasjonssystemer basert på empiriske observasjoner er foreslått, men det er uklart i hvilken grad de reflekterer undertyper av ALS. En pålitelig metode for å forutsi en individuell pasients undergruppe ved å bruke data samlet inn ved begynnelsen av sykdommen, kunne være nyttig for klinisk behandling og design av kliniske studier.

I en italiensk retrospektiv studie publisert i Lancet, Digital Health², brukte forskerne maskinlæringsteknikker for å identifisere antall og natur av ALS-undertyper for å oppnå en bedre forståelse av denne heterogeniteten, forbedre vår forståelse av sykdommen og forbedre den kliniske behandlingen. Målet til forskerne var å bestemme sykdomsundertypene for en populasjonsbasert samling av pasienter og å bygge prediktormodeller for å klassifisere individer i henhold til deres undertype ved hjelp av maskinlæring. Fordelen med maskinlæringsmetoder er deres evne til å identifisere komplekse relasjoner på en datadrevet måte.

Forskerne identifiserte først en populasjon med ALS i en region i Italia. De brukte dataene fra disse pasientene til å lage en prediksjonsmodell som ble testet ut i en kontrollgruppe med ALS fra en annen region av Italia.

I tidsrommet 1995 til 2015 fikk 2858 diagnosen ALS i regionen Piedmont og Valle d'Aosta. Blant disse hadde forskerne 42 kliniske data på 2361 av deltakerne (83 prosent) fra starten av deres sykdom. Ved hjelp av disse dataene identifiserte forskerne seks kliniske undertyper som var definert ifølge klassifikasjonssystemet Chiò: bulbær, respiratorisk, slagarm, klassisk, pyramideformet og slagben ALS.

I perioden 2009 til 2018 rekrutterte forskerne 1097 nye pasienter med ALS til kontrollgruppe fra regionen Emilia Romagna, hvorav 989 hadde komplette data. De samme undertypene ble identifisert i denne kontrollgruppen. Maskinlæringen identifiserte 11 kliniske parametre som sammen predikerte undertyper av ALS med høy nøyaktighet. Andre ALS-klassifiseringssystemer som El Escorial-kategoriene, Milano-Torino klinisk iscenesettelse og Kings kliniske stadier, identifiserte ikke disse undertypene tilstrekkelig.

Forskerne konkluderer at deres datadrevne studie gir innsikt i undergrupper av ALS og bekrefter at Chiò-klassifiseringssystemet vellykket identifiserer ALS-undertyper. Ytterligere validering er nødvendig for å bestemme nøyaktigheten og klinisk bruk av disse algoritmene ved tildeling av kliniske undertyper. Disse algoritmene gir en bred innsikt i den kliniske heterogeniteten til ALS og hjelper til med å bestemme de faktiske undertypene av sykdom som eksisterer innenfor dette fatale nevrodegenerative syndromet. Ifølge forskerne vil den systematiske identifiseringen av ALS-subtyper kunne forbedre klinisk behandling og klinisk utprøvingsdesign.