Ny datamodell skal kunne forutsi sykdomsforløp

En av de store utfordringene med progressive sykdommer, som tiltar eller forverrer seg over tid, er at de utvikler seg svært forskjellig fra pasient til pasient. Pasienter med samme sykdom kan ha svært ulike symptomer og symptomene kan komme i ulik rekkefølge.

Derfor er det også vanskelig å vite hvilken risiko den enkelt pasient løper, hva som vil være neste stadium i sykdommen – og hva som vil være den beste behandlingen.

Sammen med forskere fra Imperial College i London har matematikeren Iain Johnston ved Universitetet i Bergen utviklet et nytt verktøy, «HyperTraPS», som kan være til hjelp.

Hyperkube
Ved å fôre en matematisk modell, såkalt «hyberkube», med kliniske data fra tusenvis av pasienter, er det mulig å tegne opp «stier» fra et symptom til det neste.

– Dermed kan man avdekke ikke bare overordnede strukturer i hvordan sykdommer utvikler seg, men også ut fra et gitt sett av symptomer med stor sannsynlighet forutsi neste trinn i sykdomsforløpet for hver enkelt pasient, sier Johnston.

Dagens Medisin møter briten på sitt nyinnflyttede kontor på Realfagsbygget ved Universitetet i Bergen. Han venter fortsatt på det store flyttelasset, og klarer seg foreløpig med en liten PC. Men tavlen på kontoret er allerede godt brukt, og nå tar han også krittet fatt for å forklare Dagens Medisin hvordan algoritmen fungerer. Han har jobbet med algoritmen siden 2014, men det var først noen år senere at han så potensialet for å bruke den i persontilpasset medisin.

– Hyperkuben håndterer alle typer symptomer og medisinske data, fra et enkelt «hoster du?» til resultatene fra svært avanserte biokjemiske prøver. Jo flere data som puttes inn, dess bedre blir prediksjonene.

Testet på malaria
Verktøyet er blant annet anvendt på data fra flere tusen pasienter med eggstokk-kreft. Analysene viser ulike sykdomsforløp som i stor grad avhenger av hvilken mutasjon som kom først. Studien er nylig publisert i Cell Systems.

Verktøyet er også brukt på kliniske data fra nesten 3000 gambiske barn med malaria. Basert på ganske enkle data om symptomer, var det mulig å anslå videre sykdomsutvikling svært presist.

– Algoritmen gjør det mulig å skille lavrisiko-pasienter fra høyrisiko-pasienter, og slik kan man iverksette den mest effektive behandlingen på riktig tidspunkt. Dette kan være et viktig skritt på veien mot individuelt skreddersydd behandling, sier Johnston.

Gjennom EUs forskningsprogram, ERC Starting Grant, er Johnson og kollegene nå tildelt 16,8 millioner kroner til videre forskning på hvordan denne løsningen kan brukes i medisinsk og biologisk forskning.

– Jo mer data om slike mutasjoner som mates inn i hyperkuben, dess mer innsikt vil vi få i hvordan disse mutasjonene skjer. På sikt kan dette få stor, konkret betydning i behandlingssammenheng, sier matematikeren.

Bort fra «one size»
Han sier det ikke er noen begrensning for hvilke progressive sykdommer algoritmen kan brukes på så lenge det finnes gode datasett. I første omgang vil Johnson teste algoritmen på flere kreftformer, også ved hjelp av norske data. Han nevner også antibiotikaresistens som et viktig område, og ser for seg følgende scenario i klinikk:

«Bakterien du er rammet av utviklet først resistens mot legemiddel A, så mot legemiddel B og deretter mot legemiddel C. Det neste som sannsynligvis vil skje, er at den utvikler resistens mot legemiddel D også. Derfor vil vi gi deg legemiddel K eller L i stedet.»

En stor fordel med verktøyet er at det ikke vil koste helsetjenesten noe særlig ekstra å ta verktøyet i bruk, kanskje tvert imot.

– I dag er det i mange tilfeller «one size fits all» som gjelder i bruk av medisiner, selv om ikke alle har nytte av det. Med dette verktøyet kan optimalisere legemiddelbruken som gir bedre bruk av ressursene, sier han.

Basert på studien i Gambia er det nå utviklet et mer detaljert «beslutnings-tre» for diagnostisering og behandling. Det blir lettere å identifisere på et tidlig tidspunkt hvilke pasienter som blir hardest rammet, slik at knappe ressurser kan settes inn der de trengs mest, forteller han.

Positive klinikere
– Hva hvis algoritmen tar feil?

– Vi har testet algoritmen på et selvstendig datasett for eggstokk-kreft og fant bare at seks prosent falsk-negative tilfeller, det vil si der pasienten feilaktig ble plassert i lavrisiko-pasientgruppen. Fra et maskinlæring-perspektiv er det en god score. Men man ville aldri brukt dette verktøyet alene i klinikk, men alltid sammen med en medisinsk vurdering, presiserer han.

Han forteller at han har jobbet sammen med klinikere, og at han foreløpig ikke har blitt møtt av skepsis blant leger.

– Vi står foran et paradigmeskifte der data vil styrke persontilpasset medisin til fordel for pasientene.