Machine-learningmodel kan respons op TNF-remmer voorspellen

Een respons op adalimumab gaat gepaard met een ander genexpressieprofiel dan een respons op etanercept. Met behulp van machine-learningmodellen kan, op basis van deze verschillende profielen, de respons op adalimumab en etanercept mogelijk al voorafgaand aan de behandeling worden voorspeld. Wanneer een behandeling met methotrexaat faalt bij patiënten met reumatoïde artritis, kan een behandeling met een TNF-remmer worden overwogen.

Als vooraf kan worden voorspeld welke TNF-remmer effectief zal zijn, kan dit de tijd om tot een effectieve behandeling te komen verkorten. Onderzoekers van het UMC Utrecht en de Universiteit van Utrecht onderzochten of het mogelijk was om op basis van genexpressieprofielen en DNA-methylatieprofielen machine-learningmodellen te ontwikkelen die de respons kunnen voorspellen. Zij gebruikten het observationele BiOCURA-cohort en bepaalden bij 80 patiënten die werden behandeld met adalimumab (n=38) of etanercept (n=42) de genexpressie- en/of DNA-methylatieprofielen van mononucleaire cellen uit het perifere bloed, monocyten en CD4+ T-cellen.

De genexpressieprofielen van responders op adalimumab verschilden van die op etanercept, en ook het DNA-methylatieprofiel verschilde tussen beide groepen responders. Het model gebaseerd op genexpressieprofielen bereikte een nauwkeurigheid van 85,9 en 79% voor het voorspellen van de respons op respectievelijk adalimumab en etanercept, en het model gebaseerd op epigenetica een nauwkeurigheid van respectievelijk 84,7 en 88%. De onderzoekers concluderen dat machine-learningmodellen gebaseerd op moleculaire profielen de respons nauwkeurig kunnen voorspellen en zien dit als een eerste stap richting gepersonaliseerde anti-TNF-behandeling.