ACR 2020: Voorspellen RA-respons op methotrexaat met machine learning-algoritme

Een machine learning-algoritme op basis van farmacogenomische gegevens, demografische gegevens en de DAS28-score kan bij patiënten met vroege reumatoïde artritis (RA) de respons op methotrexaat beter voorspellen dan een algoritme zonder farmacogenomische gegevens. Dit blijkt uit een studie van dr. Elena Myasoedova, gepresenteerd tijdens de ACR Convergence 2020.

Omdat methotrexaat, de meest gebruikte DMARD bij RA, pas na enkele maanden zijn effect laat zien, ontwikkelden de onderzoekers een model om vooraf onderscheid te kunnen maken tussen responders en non-responders, op basis van gegevens van 647 vroege RA-patiënten uit het PAMERA-consortium, verdeeld in een trainingcohort (n=336) en een validatiecohort (n=307). Een eerste model, gebaseerd op DAS28- en reumafactorstatus, leeftijd, geslacht en rookstatus, behaalde een AUC van 0,54 in het trainingcohort en een nauwkeurigheid van 55% in het validatiecohort. Na uitbreiding met farmacogenomische gegevens kon de respons op methotrexaat na drie maanden voorspeld worden met een AUC van 0,84 in het trainingscohort en een nauwkeurigheid van 76% in het validatiecohort, met een sensitiviteit van 72% en specificiteit van 77%.

Naast de DAS28 op baseline werden verschillende genvarianten geïdentificeerd die een rol lijken te spelen bij het voorspellen van de respons, waaronder genvarianten gerelateerd aan kankergevoeligheid (zoals CASC15) en aan het metabolisme van methotrexaat (zoals ATIC). De bevindingen konden gerepliceerd worden in een onafhankelijk cohort, en volgens de onderzoekers kan het toepassen van farmacogenomische gegevens helpen bij behandelbeslissingen bij RA, al is verder onderzoek nodig.