Epilepsie: Modell öffnet Tür für personalisierte Pharmakotherapie

  • Univadis
  • Clinical Summary
Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten. Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten.

Erkenntnis

  • Ein Deep-Learning-Modell, das mit routinemäßig erhobenen klinischen Daten arbeitet, zeigte eine mäßig gute Leistung bei der Prognose der 1-Jahres-Anfallsfreiheit bei Erwachsenen mit Epilepsie, die mit der Einnahme ihres ersten Antiepileptikums begannen.

Warum das wichtig ist

  • Der derzeitige Ansatz beruht weitgehend auf Versuch und Irrtum.

Hauptergebnisse

  • 6 Modelle wurden unter Anwendung verschiedener Techniken des maschinellen Lernens entwickelt.
  • Leistung des Transformer-Modells (trainiert anhand gepoolter Kohorte) bei der Prognose der 1-Jahres-Anfallsfreiheit in der Testpopulation:
    • Fläche unter der Kurve (AUC): 0,65 (95%-KI: 0,63–0,67).
    • Gewichtete balancierte Genauigkeit: 0,62 (95%-KI: 0,60–0,64).
    • Sensitivität: 0,69 (95%-KI: 0,66–0,72).
    • Spezifität: 0,55 (95%-KI: 0,52–0,58).
  • Leistung des Transformer-Modells (lediglich mit größter Kohorte trainiert) in 4 externen Validierungspopulationen:
    • AUC: 0,52–0,60.
    • Gewichtete balancierte Genauigkeit: 0,51–0,62.
  • Wichtigste Modellvariablen:
    • > 5 Krampfanfälle vor der Behandlung.
    • Vorliegen psychiatrischer Erkrankungen.
    • EEG-Befunde.
    • Gehirnbefunde aus Bildgebung.
  • Das anhand der gepoolten Kohorte trainierte Transformer-Modell wies eine bessere AUC auf als 2 der anderen Modelle.

Expertenkommentar

  • In einem Leitartikel schreiben Dr. Dr. med. Sharon Chiang und Dr. Dr. med. Vikram R. Rao: „Obwohl die derzeitige Leistung bescheiden erscheint, sind die Ergebnisse vielversprechend, und die Ergänzung der herkömmlichen Versuch-und-Irrtum-Ansätze zur Auswahl von Antiepileptika [mit künstlicher Intelligenz] könnte eines Tages dazu beitragen, die anfallsbedingte Morbidität zu minimieren, indem eine frühzeitigere Identifizierung des Antiepileptikums ermöglicht wird, das bei einer bestimmten Person am ehesten eine Anfallsfreiheit bewirkt. Daher öffnen Modelle [des maschinellen Lernens] die Tür zur personalisierten Pharmakotherapie bei Epilepsie, was jahrzehntelang ein schwer erreichbares Ziel darstellte.“

Studiendesign

  • Multinationale Kohortenstudie (Schottland, Malaysia, Australien und China) mit 1798 Erwachsenen mit neu diagnostizierter Epilepsie, die mit dem ersten Antiepileptikum begannen (insgesamt wurden 7 Antiepileptika in der Kohorte angewendet).
  • Hauptergebnis: Leistung des Modells bei der Prognose des Behandlungserfolgs (vollständige Anfallsfreiheit im gesamten ersten Jahr der Monotherapie mit einem ersten Antiepileptikum).
  • Finanzierung: Nicht offengelegt.

Einschränkungen

  • Unbekannte Verallgemeinerbarkeit auf die pädiatrische Population.
  • Begrenzte Fähigkeit zur Durchführung von Subgruppenanalysen.