Machine learning onthult PsA-profielen met goede respons op risankizumab

Met behulp van machine learning analyseerden onderzoekers gegevens uit twee fase 3-studies (KEEPSAKE 1 en 2) om klinisch herkenbare patientprofielen van psoriatische artritis (PsA) te identificeren en de behandelrespons op risankizumab tot vier jaar te evalueren. De analyse omvatte 1119 bDMARD-naieve patienten met actieve PsA die tot maximaal vier jaar met risankizumab werden behandeld. Voor de indeling werd een unsupervised machine learning-techniek gebruikt, een zogeheten finite mixture model, waarmee patienten automatisch werden gegroepeerd op basis van klinische kenmerken bij baseline zoals gewrichtsaantasting, dactylitis en enthesitis.

Deze aanpak onderscheidde vijf fenotypes: matige tot hoge ziekteactiviteit (40,3%), enthesitis- en grote-gewrichten-dominant (20,8%), zeer hoge ziekteactiviteit (14,0%), hand-dominant (13,8%) en dactylitis- en voeten-dominant (11,1%). De effectiviteit werd beoordeeld op basis van het bereiken van Minimal Disease Activity (MDA) en Low Disease Activity volgens de DAPSA-score. Na vier jaar liet risankizumab effectiviteit zien in alle fenotypes: het percentage patienten dat MDA bereikte varieerde van 42,9% tot 58,8% en voor DAPSA LDA van 66,0% tot 82,0%.

De hoogste respons werd gezien bij het fenotype met matige tot hoge ziekteactiviteit en de laagste bij patienten met zeer hoge ziekteactiviteit. Meer dan 90% van de patienten liet een afname van ten minste 50% zien in het aantal pijnlijke en gezwollen gewrichten. Volgens de onderzoekers is risankizumab effectief bij uiteenlopende PsA-presentaties en kan machine learning bijdragen aan een meer gepersonaliseerde behandeling.