AI-alapú modell graft-versus-host betegség előrejelzésére
A Journal of Clinical Investigation folyóiratban február 16-án jelent meg a MUSC Hollings Cancer Center kutatóinak cikke, amelyben a BIOPREVENT névre keresztelt, a graft‑versus‑host betegség (GVHD) kialakulását prognosztizáló AI-alapú modellt mutattak be.
A mesterséges intelligencia új lehetőségeket nyit a transzplantációs szövődmények korai felismerésében, különösen az őssejt‑ és csontvelő‑átültetésen átesett betegek esetében. Bár ezek a beavatkozások sokszor életmentők, a gyógyulás folyamata messze túlmutat a kórházi tartózkodáson. A páciensek egy részénél hónapokkal a hazatérés után is kialakulhatnak súlyos, akár életveszélyes szövődmények, gyakran minden előjel nélkül. Ezek közül az egyik legnehezebben kezelhető a krónikus graft‑versus‑host betegség (GVHD), amely során a transzplantált immunsejtek megtámadják a beteg saját, egészséges szöveteit. A kórkép több szervrendszert érinthet – a bőrt, a szemet, a szájnyálkahártyát, az ízületeket és a tüdőt –, és hosszú távú életminőség‑romláshoz vagy akár halálhoz is vezethet.
A Hollings Cancer Center kutatócsoportja Sophie Paczesny vezetésével, valamint a Wisconsin Medical College szakértőivel együttműködve olyan mesterségesintelligencia‑alapú eszközt fejlesztett ki, amely képes lehet már a tünetek megjelenése előtt azonosítani a krónikus GVHD fokozott kockázatát. A BIOPREVENT nevű modell immunológiai fehérjékre és validált klinikai adatokra építve becsüli meg, hogy egy adott beteg milyen valószínűséggel fejleszt ki krónikus GVHD‑t, illetve milyen eséllyel hal meg transzplantációval összefüggő okok miatt.
A transzplantációt követő első hónapok különösen érzékeny időszakot jelentenek. Bár a betegek gyakran jól érzik magukat, a háttérben már ekkor megindulhatnak azok az immunológiai folyamatok, amelyek később krónikus GVHD‑hez vezetnek. Mire a betegség felismerhetővé válik, a szövetkárosodás sokszor már hónapok óta zajlik. A kutatók célja az volt, hogy feltárják: léteznek‑e olyan korai jelek, amelyek még a klinikai tünetek előtt figyelmeztethetnek a közelgő szövődményekre, és lehetőséget adnak a korai beavatkozásra.
A vizsgálat során 1310 transzplantált beteg adatait elemezték - ezek az adatok négy nagy, multicentrikus klinikai vizsgálatból származtak. A transzplantáció után 90–100 nappal levett vérmintákban hét olyan immunfehérje szintjét mérték, amelyek gyulladással, immunaktivációval, szöveti károsodással és regenerációval hozhatók összefüggésbe. Ezeket a biomarkereket Paczesny korábbi kutatásai már azonosították és validálták. A biomarkeradatokat kilenc klinikai tényezővel egészítették ki, többek között a beteg életkorával, a transzplantáció típusával, az alapbetegséggel és a korábbi szövődményekkel. Az Egyesült Államokban a transzplantációs központok kötelesek részletes adatokat szolgáltatni a Center for International Blood and Marrow Transplant Research számára, ami biztosította, hogy a modell megbízható, egységes minőségű információkra épüljön.
A kutatók több gépi tanulási módszert is teszteltek annak érdekében, hogy felülmúlják a hagyományos statisztikai modellek pontosságát. A legjobb teljesítményt a Bayes‑i additív regressziós fákon ((Bayesian Additive Regression Trees, BART) alapuló algoritmus nyújtotta, amely végül a BIOPREVENT alapját képezte. Az eredmények egyértelműen azt mutatták, hogy a biomarkereket is tartalmazó modellek lényegesen pontosabban jelezték előre a transzplantációval összefüggő halálozást, mint a kizárólag klinikai adatokra épülő megközelítések. A modellt egy független betegcsoporton is validálták, amely megerősítette, hogy a BIOPREVENT megbízhatóan működik a fejlesztésben részt nem vevő populációban is.
A rendszer képes volt a betegeket alacsony és magas kockázatú csoportokba sorolni, és a két csoport között akár 18 hónappal később is jelentős különbségek mutatkoztak a kimenetelekben. Érdekes megfigyelés volt, hogy különböző biomarkerek eltérő szövődmények előrejelzésében bizonyultak erősnek, ami arra utal, hogy a krónikus GVHD és a transzplantációval összefüggő halálozás részben eltérő biológiai folyamatok eredménye. Volt olyan biomarker, amely elsősorban a halálozási kockázattal mutatott szoros összefüggést, míg mások inkább a később kialakuló krónikus GVHD‑t jelezték előre.
A kutatócsoport a modell gyakorlati alkalmazhatóságát, könnyű elérhetőségét is biztosította: a BIOPREVENT egy ingyenesen elérhető, webalapú alkalmazás formájában használható. A klinikusok a beteg adatait és a biomarkerek értékeit megadva személyre szabott kockázati becslést kaphatnak, amely időben változó előrejelzést nyújt.
A fejlesztők hangsúlyozták, hogy a BIOPREVENT jelenleg a kockázatbecslést és a klinikai kutatást támogatja, nem pedig a kezelési döntések közvetlen irányítását. A következő lépés olyan klinikai vizsgálatok elindítása lesz, amelyek megmutatják, hogy a korai kockázati jelzésekre adott célzott beavatkozások – például szorosabb monitorozás vagy preventív terápia – javíthatják‑e a hosszú távú kimeneteleket.
A tanulmány jól illeszkedik a transzplantációs medicina egyre inkább személyre szabott megközelítéséhez, amelyben a beteg egyéni kockázati profilja határozza meg az utógondozás intenzitását. A kutatók szerint a BIOPREVENT fontos lépést jelenthet a krónikus GVHD megelőzésének irányába, és hozzájárulhat ahhoz, hogy a transzplantáción átesett betegeknél csökkenjen a hosszú távú szövődmények kialakulásának kockázata.
Írásunk az alábbi közlemények alapján készült:
AI tool could help identify life-threatening transplant complications
Irodalmi hivatkozás:
Martens, M. J., et al. (2026). The BIOPREVENT machine-learning algorithm predicts chronic graft-versus-host disease and mortality risk using posttransplant biomarkers. Journal of Clinical Investigation. DOI: 10.1172/JCI195228. https://www.jci.org/articles/view/195228
