Komisja Nauk Medycznych Oddziału PAN w Krakowie

„Poszukiwanie markerów ryzyka niekorzystnego rokowania u pacjentów po przeszczepieniu nerki: nowe podejście prognostyczne z wykorzystaniem sztucznej inteligencji i liczenia maszynowego”

Temat przedstawią: dr hab. Katarzyna Krzanowska, prof. UJ - kierownik Kliniki - Klinika Nefrologii i Transplantologii; dr Krzysztof Batko

Moderator: dr hab. Katarzyna Krzanowska, prof. UJ

Na spotkanie zapraszają: przewodnicząca Komisji prof. Beata Tobiasz-Adamczyk oraz sekretarz Komisji prof. Andrzej Surdacki

Osoby zainteresowane udziałem w spotkaniu on-line prosimy o kontakt mailowy: marzena.dobek@pan.pl celem uzyskania linku.

• Streszczenie wystąpienia:

W ostatnich latach wzrosło znaczenie zaawansowanych narzędzi AI pozwalających na stratyfikację indywidualnego ryzyka niekorzystnego rokowania w oparciu o rzeczywiste dane z praktyki klinicznej. Jednym z obszarów, gdzie rozwój metod profilowania ryzyka rozwija się szczególnie dynamicznie jest opieka nad pacjentami po przeszczepieniu nerki (KTX).

Pomimo postępów w transplantologii (i związanej poprawy przeżywalności krótkoterminowej), pacjenci po KTX narażeni są na szczególne ryzyko rozwoju powikłań sercowo-naczyniowych, po części w związku z kumulacją niekorzystnego profilu działań leków immunosupresyjnych, a także wyjściowo zaawansowanej choroby naczyń.

W oparciu o prowadzone badania, niniejsza prezentacja skupi się na przedstawieniu działań badawczych mających na celu integrację danych z codziennej praktyki klinicznej, a także zastosowanie postulowanych biomarkerów w krwi krążącej, do stworzenia narzędzia pozwalającego na waloryzacje ryzyka utraty nerki przeszczepionej w długoterminowym okresie po KTX.

Dynamiczna ewolucja globalnego profilowania ryzyka sercowo-naczyniowego w populacji szczególnej

W pracy opublikowanej na łamach Polish Heart Journal przedstawiliśmy adaptację - od niedawna wdrażanej - klasyfikacji ryzyka sercowo-naczyniowo-nerkowego (wg. AHA; tzw. cardiovascular-kidney-metabolic syndrome) wśród pacjentów po KTX. Ze względu na szczególną charakterystykę populacji oraz jej narażenie na rozwój powikłań miażdżycowych, wykorzystanie prostych danych klinicznych dotyczących współchorobowości i ryzyka sercowo-naczyniowego nie zawsze pozostaje jednoznaczne. Specyfika okresu potransplantycyjnego obejmuje długoterminowe wykorzystywanie leków immunosupresyjnych o niekorzystnym działaniu metabolicznym, a wywiad okresu przed i peri-transplantacyjnego wiąże się ze stosowaniem technik terapii nerkozastępczej oraz kumulacją patologicznego działania toksyn mocznicowych, które przyspieszają procesy kalcyfikacji naczyń i aterogenezy.

Wykorzystując podłożone teoretyczne wynikające z badań eksperymentalnych, zidentyfikowano potencjalne znaczenie postulowanych markerów we krwi krążącej, takich jak kalistatyna, apelina, elabela oraz sirtuina. Przykładowo, kalistatyna, jako należąca do serpin inhibitor proteaz serynowych, wykazuje również liczne działania niezależne od jej wpływu na kallikreinę. W licznych badaniach eksperymentalnych wyłania się jej rolą jako tzw. podwójnego miecza Damoklesa oraz mediatora różnorodnych procesów biologicznych. Z perspektywy kardio-nefrologicznej, zmienność stężenia w krwi obwodowej może odzwierciedlać dynamikę uszkodzenia narządowego, bądź kompensacyjną odpowiedź drogą tzw. szlaków ochronnych.

Rola uczenia maszynowego

W analizie obejmującej stabilnych pacjentów po KTX podejrzewa się, że odmienną wagę należy przypisać poszczególnym cechom klinicznym, które mają odmienne znaczenie w porównaniu do początkowego, wczesnego okresu po przeszczepieniu. Badania zostały przeprowadzone z zastosowaniem technik i algorytmów wykorzystywanych w uczeniu maszynowym, a następnie zestawione ze standardowymi narzędziami statystycznym w celu bardziej szczegółowego opisu problematyki badawczej. Wykorzystanie technik opartych o drzewa decyzyjne przyczynia się do identyfikacji potencjalnych czynników predykcyjnych w sposób nieliniowy.

Znaczenie integracji danych

Integracja wyników oznaczeń markerów krwi krążącej z podstawowymi informacjami klinicznymi za pomocą narzędzi tzw. sztucznej inteligencji bądź tradycyjnych technik statystycznych umożliwia bardziej obiektywne i powtarzalne podsumowanie danych celem określenia indywidualnego ryzyka niekorzystnego punktu końcowego.

Powrót