RNS-Sequenzierungs- und Machine-Learning-Techniken können bei SLE-Patienten ein Major Organ Involvement vorhersagen

Filia A. et al.: RNA sequencing and machine learning techniques predict major organ involvement in patients with systemic lupus erythematosus; OP0277

Die Arbeitsgruppe um Anastasia Filia verwendete 2 Gen-Signaturen aus Vollblut-Zellen von 150 SLE-Patienten, um eine SLE-Organbeteiligung (25 Gene) und Krankheitsaktivität (50 Gene) vorhersagen zu können.

Die Organbeteiligung wurde mit hoher Genauigkeit unter Verwendung eines verallgemeinerten, linearen, elastischen Netzmodells vorhergesagt. Unter den 25 besten Prädiktoren befanden sich MPO, ITGA3 und CD38. Der SLEDAI-2K konnte mit dem neuronalen Netzwerkmodell nicht mit hoher Genauigkeit vorhergesagt werden.

Fazit: Das bessere Abschneiden des Modells zur Vorhersage der Organbeteiligung im Vergleich zu dem vom SLEDAI-2K könnte auf die Tatsache zurückgeführt werden, dass bestimmte Krankheitsmanifestationen derzeit nicht im SLEDAI-2K enthalten sind. Weitere Analysen und funktionelle Laborexperimente dieser Gene werden dazu beitragen, Biomarker für eine genauere Beurteilung der Krankheitsaktivität und der Prognose in der Klinik zu identifizieren.