Artrite reumatoide: messo a punto grazie all’Intelligenza Artificiale uno strumento diagnostico per predire la risposta a sarilumab
Uno studio pubblicato su Rheumatology and Therapy ha reso conto di un algoritmo, sviluppato grazie all’intelligenza artificiale e basato su alcuni biomarcatori clinicamente affidabili, per predire la risposta a sarilumab (un anticorpo monoclonale diretto contro il recettore di IL-6) e discriminare tra le risposte a questo farmaco e un farmaco anti-TNF di confronto, sulla base dell’analisi post-hoc dei dati di alcuni trial clinici registrativi condotti in pazienti affetti da artrite reumatoide (AR).
Razionale e disegno dello studio
Le linee guida per il trattamento dell’AR sottolineano l’importanza di verificare un miglioramento clinico a 3 mesi e la remissione o la ridotta attività di malattia a 6 mesi dall’inizio del trattamento, ricordano i ricercatori nell’introduzione allo studio.
I farmaci biologici sono notoriamente raccomandati in presenza di cattivi fattori prognostici o sulla base dell’osservazione di una risposta insoddisfacente al trattamento iniziale.
La scelta del DMARDb da utilizzare si basa spesso sull’esperienza del clinico, le preferenze dei pazienti e le considerazioni sui costi sostenuti per la terapia, ed è per questo complicata dall’ampio ventaglio di opzioni terapeutiche disponibili. Ma è altrettanto risaputo che il tempo perso per l’utilizzo di farmaci inefficaci per alcuni pazienti potrebbe portare alla progressione irreversibile della malattia.
Di qui la necessità di individuare strumenti atti a personalizzare il trattamento in base alle caratteristiche dei singoli pazienti che si hanno di fronte.
Le tecniche di intelligenza artificiale basate sul machine learning (apprendimento automatico) si stanno affermando con sempre maggior frequenza in medicina per identificare individui a rischio di malattia, predire gli outcome e ottimizzare i trattamenti a disposizione.
Su questi presupposti è stato implementato questo nuovo studio che ha fatto ricorso all’intelligenza artificiale per identificare una regola in grado di predire la risposta a sarilumab e discriminare tra le risposte all’anticorpo anti recettore di IL-6 e adalimumab, tenendo presenti i livelli di alcuni biomarcatori clinici.
Disegno e risultati principali
Lo studio, di fatto, è stato un’analisi post-hoc che ha utilizzato i dati a livello del singolo paziente provenienti da 4 trial clinici di fase 3 sull’impiego di sarilumab nell’AR:
– MOBILITY (sarilumab vs. placebo in pazienti con risposta insoddisfacente a MTX)
– MONARCH (sarilumab vs. adalimumab come monoterapie on pazienti con risposta insoddisfacente o intolleranti a MTX)
– TARGET (sarilumab vs. placebo in pazienti intolleranti ai farmaci anti-TNF)
– ASCERTAIN (studio di safety comparativa sarilumab vs. tocilizumab)
I pazienti di questi trial erano tutti di età superiore ai 18 anni e soddisfacevano i criteri ACR 1987 di classificazione di malattia (studio MOBILITY) o quelli congiunti ACR/EULAR 2010 (MONARCH, TARGET, ASCERTAIN) di AR attiva al basale.
I livelli di CRP al basale erano ≥ 6 mg/l nello studio MOBILITY, ≥ 8 mg/l negli studi MONARCH e TARGET, e ≥ 4 mg/l nello studio ASCERTAIN.
In ciascuno di questi trial, al basale, almeno il 65% dei pazienti era sieropositivo al fattore reumatoide, mentre il 75% lo era agli ACPA.
I dati dello studio MOBILITY sono stati utilizzati per l’apprendimento automatico e la validazione del modello predittivo sopra indicato) successivamente sperimentato sul set completo di dati dei 4 trial (posologia di somministrazione di sarilumab considerata: 200 mg).
L’algoritmo di predizione è stato messo a punto dopo aver incluso nel modello 18 variabili dicotomiche e 24 variabili continue.
Nel set di training, la presenza di anticorpi ACPA, combinati con livelli di CRP > 12.3 mg/l, sono stati individuati come fattori predittivi di risposta ACR20 a sarilumab.
Quanto il modello è stato applicato all’intero set di dati dei 4 trial, si è avuta conferma della predittività della risposta al sarilumab per molti parametri di efficacia degli studi MOBILITY, MONARCH e ASCERTAIN (risposta ACR70 e punteggio DAS28CRP indicativ di remissione).
Il modello, invece, è risultato associato a performance predittive inferiori nella popolazione di pazienti dello studio TARGET, che aveva reclutato pazienti refrattari ai farmaci anti-TNF.
Riassumendo
I risultati di questa analisi post-hoc hanno dimostrato, nel complesso, che l’impiego di alcuni biomarcatori ematici ben noti e clinicamente affidabili potrebbe guidare la personalizzazione al trattamento in esame.
Se tali risultati verranno replicati in studi real world, è possibile ipotizzare l’impiego futuro di questo algoritmo per l’ottimizzazione del trattamento con questo e con altri farmaci attualmente utilizzati nel trattamento dell’AR.
Bibliografia
Rehberg M et al. Identification of a Rule to Predict Response to Sarilumab in Patients with Rheumatoid Arthritis Using Machine Learning and Clinical Trial Data. Rheumatol Ther. 2021 Dec; 8(4): 1661–1675.
Leggi