Kompozitní hodnocení biomarkerů astmatu

Existuje řada užitečných, objektivně měřitelných parametrů, které vypovídají o normálních či patologických procesech v organismu a dávají cenné informace ohledně diagnózy, prognózy, predikce odpovědi na léčbu či její farmakodynamiky. „Příkladem může být zdánlivě nejjednodušší situace, kdy bude použito léčivo blokující jeden cytokin, který má naprosto jednoznačnou asociaci k jednomu biomarkeru. Konkrétně jde o blokaci interleukinu 5 (anti-IL-5), přičemž markerem jeho aktivity jsou eozinofily v periferní krvi,“ uvádí J. Novosad s tím, že situace ale není až tak jednoduchá. Komplikuje se tím, že eozinofily ovlivňují řadu jiných cytokinů a produktů (například IL-4, IL-13, TGF-beta) a cestou kaskádové reakce dochází následně k ovlivnění některých dalších biomarkerů (například IgE).

Příklady jednodušší a složitější

Absolutní počet eozinofilů v periferní krvi (AEC) nicméně u určitých typů astmatu poskytuje spolehlivé informace – například zda bude přítomná eozinofilie ve sputu, může napomáhat diagnostice, umožňuje predikovat, jak bude léčba zaměřená proti IL-5 (nebo proti jeho receptoru – anti-IL-5R) působit, tedy jaký bude její efekt ohledně redukce exacerbací a zlepšení plicních funkcí. Pomocí dalších parametrů (hladina eozinofilů v kostní dřeni, periferních tkáních, ve sputu či histologických preparátech), o který je známo, že při úspěšné anti-IL-5R terapii klesají, je možné monitorovat i farmakodynamický efekt.

Dalším příkladem může být blokáda thymického stromálního lymfopoetinu (anti-TSLP), kde je vztah k biomarkerům poněkud komplikovanější. Eozinofily na svém povrchu nesou příslušný receptor, konkrétně tento faktor ale zřejmě ovlivňují spíše nepřímo, prostřednictvím dalších cytokinů. „S aktivitou TSLP je asi nejvíce svázána produkce oxidu dusnatého ve vydechovaném vzduchu (FeNO). Bude to pravděpodobně tím, že podobné inzulty, které zvyšují produkci TSLP z epiteliálních buněk, zvyšují i aktivitu induciblní NO syntázy,“ vysvětluje J. Novosad. Eozinofily samozřejmě produkují další látky, například periostin či DPP-4, které mohou klidně zpětně zvyšovat hladinu TSLP. Více biomarkerů a cytokinů spolu takto na podobném principu komunikuje a vytváří určitou „síť“.

Vyšetřením FeNO je zase možné predikovat pravděpodobnost přítomnosti astmatu, u některých léčiv je možné tímto biomarkerem předpovídat efektivitu terapie proti TSLP a rovněž zpětně vyhodnocovat její účinnost a farmakodynamiku.

Dva biomarkery najednou – ano, či ne?

Má vůbec smysl hodnotit výskyt více biomarkerů najednou? Určitě ano, vždyť každý biomarker je regulován jiným způsobem, a každý by měl tedy vypovídat o jiných aspektech biologického procesu ve tkáních a ve výsledku poskytnout ucelenější informaci. Oxfordští výzkumníci (Couillard S et al., Thorax 2022) prokázali, že má smysl vyšetřovat najednou AEC i FeNO, jelikož každý biomarker vykazuje trochu odlišnou regulaci a odpovídá trochu jiným procesům. Zatímco eozinofily spíše odpovídají tomu, jaká je sérová hladina IL-5, hodnoty FeNO zase korelují s tím, jak se mění produkce některých cytokinů v indukovaném sputu neboli odpovídají spíše tomu, co se děje někde ve tkáních. Oxfordská data například zjistila, že nemocní s těžkým astmatem, kteří v předešlém roce prodělali silnou exacerbaci s nízkou produkcí NO a s nízkým parametrem AEC, měli až 10× menší četnost těžkých exacerbací v porovnání s pacienty s vysokými hladinami obou markerů.

Kombinace dvou biomarkerů je podle J. Novosada využitelná i při hodnocení odpovědi na biologickou léčbu astmatu: „Je známo, že existují některé léčivé přípravky, jejichž účinek je predikovatelný pomocí eozinofilů, u jiných spíše pomocí hladin FeNO. Co je zajímavé – ať už jsou tyto léky namířeny proti IL-5 nebo IL-4 či IL-13, nemocní s vyššími vstupními hodnotami AEC i FeNO odpovídali na terapii pokaždé výrazně lépe než ti, kteří vykazovali jednoduchou pozitivitu pouze v jednom ze sledovaných markerů.“

Lze to zobecnit bez kategorizace?

Všechna uvedená schémata zjednodušovala interpretaci biomarkerů takovým způsobem, že je kategorizovaly jako pozitivní či negativní na základě arbitrárně vytvořených cut-off hodnot, přičemž v různých situacích jsou různé hodnoty jinak důležité. Jednou z možností je velmi složitý matematický přístup, který na podkladě kontinuálních změn sledovaných parametrů vypočítává pravděpodobnosti, zda je příslušné onemocnění spíše lépe, či hůře modifikovatelné ovlivněním konkrétního cytokinu, třeba IL-5.

J. Novosad ale nabízí jiný přístup. Thomas Bayes, anglický duchovní, který zemřel v roce 1761, se ve svém výzkumu zabýval teorií pravděpodobnosti a definoval tzv. Bayesovu větu. Zajímala jej podmíněná pravděpodobnost, zda nastane určitý jev, pokud zároveň nastane jev jiný. Pomocí Bayesova teorému se, podle toho, jaká je senzitivita příslušného testu a prevalence choroby, vypočítává tzv. pozitivní prediktivní hodnota. Navzdory tomu, že jde o relativně nezáživnou kombinatoriku, lze z ní vydedukovat některé opravdu zajímavé a důležité závěry pro klinickou praxi:

1) Posteriorní pravděpodobnost, tedy pravděpodobnost, že konkrétní pacient má nějakou diagnózu, pokud je pozitivní příslušný test, je nevyhnutelně závislá na tom, jaká je tzv. apriorní pravděpodobnost – tedy jaká je prevalence konkrétního jevu ve sledované populaci, což je mnohdy poněkud podceňovaná informace. „Neboli způsob, jakým si vybereme vyšetřovanou populaci, významným způsobem ovlivní to, jak kvalitních výsledků dosáhneme,“ komentuje J. Novosad.

2) Apriorní pravděpodobnost je možné spočítat pomocí aktualizačního (Bayesova) faktoru (BF_M), což je veličina, kterou je posléze možné zobecnit na vyšetření klidně desítek biomarkerů dohromady. „To určitým způsobem zvýší nebo naopak sníží posteriorní pravděpodobnost čili přítomnost nemoci nebo její klasifikační schéma, odpověď na terapii a tak dále,“ vysvětluje J. Novosad a dodává, že obecně lze sestavit určité schéma, jehož uzly jsou jednotlivé markery, které mohou být navzájem různě propojeny hranami: „Kolika hranami je pak možné v konkrétním schématu propojit všechny biomarkery, lze vypočítat kombinatorikou, stejně tak můžeme zjistit, kolik potenciálních kombinací markerů lze takto vytvořit. Tento model lze pak vložit do relativně jednoduché matematické formule a pomocí bayesovské statistiky vypočítávat, kolikrát je pravděpodobnější například přítomnost jisté diagnózy, pokud jsou splněny podmínky určité konfigurace více markerů,“ říká.

Tímto způsobem lze – analýzou nemalého počtu markerů, včetně plicních funkcí a anamnestických dat – například s více než 90% přesností predikovat, zda bude po přerušení léčby astmatu konkrétní pacient exacerbovat. V tomto kontextu přichází aktuálně ke slovu umělá inteligence (AI), pomocí níž lze celý proces zautomatizovat.

A co na to AI?

Statistika totiž není ani zdaleka jediný způsob, jak využít data. „Zatímco statistika je zaměřena hlavně na popis souboru a do jisté míry má interferenční potenciál – dokáže nám zhruba povědět, jak by se konkrétní sledovaná veličina měla v obecné rovině chovat, umělá inteligence nám v prvé řadě dává predikci. Využívá procesy strojového a hlubokého učení, pracuje s textovými soubory, a dokáže předpovídat, jak se budou určité charakteristiky chovat i za situací, které nemáme otestovány,“ popisuje J. Novosad a dodává, že AI vstoupila do medicíny opravdu razantně – jen v roce 2020 úřad FDA zaregistroval 100 nových pomůcek, kterých lze využít pro diagnostické účely, a bylo publikováno přes 22 000 prací (!) zaměřených na tuto problematiku. V rámci diagnostiky je v současnosti AI nejvíce využívána v radiologii a kardiovaskulární medicíně.

Jak tady AI obecně funguje? Nejprve musí dostat data (například výška/váha, AEC, FeNO), pak je nutné zvolit správný algoritmus – vědět, co je třeba zjistit (například klasifikovat pacienty podle zvolených charakteristik nebo ověřit kontinuální chování jednoho parametru v závislosti na jiných), a díky tomu si vytvořit dobře validovaný a vyladěný model. Ten bude posléze dostávat data nových pacientů a bude schopen generovat předpovědi, které budou pochopitelně tak dobré, jak kvalitní bude příprava každého jednotlivého modelu. „Jsme to my, kdo budeme říkat umělé inteligenci, jakým způsobem by měla s našimi daty pracovat, a my také musíme vědět, jak je pak budeme využívat,“ uzavírá J. Novosad s tím, že v současné době existuje několik široce dostupných a standardizovaných biomarkerů, jejichž vyšetření přináší cenné informace o diagnóze, typu zánětu nebo předpokládaném efektu biologické léčby astmatu: „Statistika není jednoduchá ani intuitivní záležitost, a výsledek vyšetření každého biomarkeru by měl být interpretován opatrně a v širším kontextu. Blízká budoucnost vyšetřování biomarkerů bude pravděpodobně spočívat v kompozitní diagnostice modelu parametrů, bude nutné přijmout pravděpodobnostní relace. Procesy umělé inteligence mohou v tomto kontextu diagnostiku zásadně zrychlit a zpřesnit.“

(red)