Atopische Dermatitis: Vorhersagemodelle sollen diagnostische und therapeutische Bewertung verbessern

Die Prävalenz der Atopischen Dermatitis (AD) beträgt zwischen 7 und 30 Prozent bei Kindern und 1 und 10 Prozent bei Erwachsenen. Wichtig sind eine frühzeitige Diagnose und eine zuverlässige Methode zur Bewertung der individuellen Behandlung. Forschende aus China entwickelten nun Vorhersagemodelle mithilfe maschinellen Lernens (ML).

Der Einsatz von ML in der Medizin hat in den letzten Jahren erheblich zugenommen. Die Methode hilft bei der Erkennung und Klassifizierung von Krankheiten, bei der Verbesserung von Vorhersagen und bei der Personalisierung der Behandlung. In der Dermatologie wird ML bisher vor allem eingesetzt, um Hautläsionen oder histopathologische Bilder zum Beispiel bei Vitiligo und Psoriasis zu identifizieren. Für die AD sind bisher nur wenige Modelle bekannt. Daher haben jetzt Songjiang Wu, ein Doktorand der Dermatologie vom Third Xiangya Hospital an der Central South University in China, und seine Co-Autoren mehrere relativ stabile und zuverlässige Modelle zur Diagnose und Wirksamkeitsbewertung von AD auf der Grundlage von ML-Algorithmen entworfen.

Die Forschenden entwickelten sechs Vorhersagemodelle für AD, wobei sie öffentlich verfügbare RNA-Transkriptomdaten von AD-Läsionen und Nicht-Läsionen mit drei verschiedenen ML-Algorithmen verwendeten: Lasso, Lineare Regression und Random Forest. Die Modelle zeigten eine ausgezeichnete Leistung bei der Unterscheidung zwischen AD-Läsionen und Nicht-Läsionen (Fläche unter der Kurve >0,8).

Bei den Proben, die eine biologische Therapie erhielten, zeigte sich eine positive Korrelation des Modell-Scores mit dem SCORAD und eine negative Korrelation mit der Behandlungsdauer, was auf eine Verbesserung hinweist.

Diese Ergebnisse würden auf das Potenzial der Modelle zur Bewertung der Behandlungswirksamkeit hinweisen, insbesondere für biologische Wirkstoffe und niedermolekulare Medikamente, so Wu. Aufgrund der geringen Stichprobengröße und der mangelnden Qualität der Stichproben waren die Korrelationskoeffizienten zwischen den beiden Modellen und SCORAD jedoch nicht hoch genug, erklärte Wu.

Laut den Autoren zeigten di ML-basierten Modelle eine günstige Vorhersageleistung bei der AD-Diagnose und der Wirksamkeit der Behandlung, was neue Optionen für eine frühzeitige Diagnose und Intervention nahelegt. In Zukunft möchte das Team Patientenproben zur Überprüfung und Bewertung der Stabilität der Modelle sammeln.