Progressiv MS kan förutspås av AI

Forskare vid Uppsala universitet har utvecklat en ny AI-baserad metod som kan förutse övergången till sekundärprogressiv multipel skleros och samtidigt ange hur säker modellen är på sin bedömning. Metoden kan bana väg för tidigare och mer individanpassad behandling för tusentals patienter.

Multipel skleros, MS, är en kronisk neurologisk sjukdom som drabbar över 22 000 personer i Sverige. Sjukdomsförloppet varierar mellan individer, och en klinisk utmaning är att identifiera när en patient med skovvis förlöpande MS, RRMS, övergår till sekundärprogressiv MS, SPMS. Denna övergång innebär en gradvis försämring av den neurologiska funktionen och upptäcks ofta först i efterhand, med en genomsnittlig diagnostisk fördröjning på omkring tre år. Idag finns inga biomarkörer i kliniskt bruk som tidigt kan identifiera den här övergången. En tidig identifiering av patienter i riskzonen kan göra det möjligt att sätta in rätt behandling i tid.

För att underlätta arbetet med att förutsäga övergången till SPMS i ett tidigare skede än vad som är möjligt idag har forskare vid Uppsala universitet utvecklat en artificiell intelligens-modell som kan göra just detta. Studien bygger på data från det svenska MS-registret som innehåller ett longitudinellt datamaterial med klinisk information från över 22 000 svenska MS-patienter, inklusive demografiska uppgifter, sjukdomshistorik och upprepade neurologiska bedömningar från flera sjukhusbesök. Det omfattande materialet gjorde det möjligt att träna och validera modellen med hjälp av verkliga kliniska data insamlade under många år.

Traditionella prognostiskametoder utgår i hög grad från populationsbaserade data och klinisk expertis, vilket begränsar möjligheten till  precision på individnivå. Samtidigt redovisas sällan osäkerheten i bedömningen, vilket gör det svårt för kliniker att bedöma resultatets tillförlitlighet. Forskarna har därför kompletterat AI-modellen med ramverket för konform prediktion (eng. conformal prediction), vilket gör att den kan ge både en prediktion och en uppskattning av dess tillförlitlighet. Modellen kan vid varje uppföljande sjukhusbesök bedöma om en person med MS har övergått till SPMS och samtidigt ange styrkan i bedömningen.

Till skillnad från traditionella AI- och andra maskininlärningsmodeller, som levererar ett fast resultat, beräknar konform-prediktionsmodellen individuella konfidensnivåer för varje förutsägelse. Om modellen till exempel bedömer att en patient sannolikt har övergått till SPMS, anger den även om denna bedömning görs med hög eller låg säkerhet. Denna information kan vara avgörande för att vägleda beslut om uppföljning och behandling.

Modellen inkluderar dessutom förklarande verktyg som gör det möjligt för kliniker att se vilka faktorer som haft störst betydelse för en viss förutsägelse. Denna transparens ökar förståelsen för modellens resonemang och stärker tilliten till AI-baserade beslutsstöd.

När modellen testades på tidigare osedda patientdata uppnådde den 93 procent träffsäkerhet i att avgöra om en person med MS befann sig i RRMS- eller SPMS-stadiet vid ett sjukhusbesök. Anmärkningsvärt nog kunde AI:n identifiera övergången tidigare än klinikerna i hela 87 procent av fallen.

Kim Kultima, vid institutionen för medicinska vetenskaper vid Uppsala universitet, kommenterar:

– Förmågan att förutsäga övergången mellan RRMS och SPMS, med en kvantifierad osäkerhet är ett stort steg framåt. Det innebär att kliniker kan fatta mer välgrundade beslut, eftersom de inte bara vet vad modellen förutspår utan också hur säker den är på sin bedömning.”

Enligt forskarna öppnar modellens förmåga att uttrycka osäkerhet flera viktiga möjligheter inom klinisk praxis:

• Individanpassad behandling: Förutsägelser med hög säkerhet kan vägleda behandlingsbeslut och möjliggöra tidigare intervention för personer med MS som riskerar progression.
• Hantera förväntningar: Genom att ge personer med MS en statistiskt välgrundad uppskattning av diagnossäkerheten främjas transparens och delat beslutsfattande.
• Identifiera komplexa fall: Förutsägelser med låg säkerhet kan signalera behov av tätare uppföljning eller ytterligare diagnostik.

Trots lovande resultat betonar forskarna att ytterligare klinisk validering krävs innan metoden kan införas i rutinsjukvården. Studien som har publicerats i tidskriften npj Digital Medicine visar dock att konform prediktion-ramverket erbjuder ett kraftfullt, transparent och patientcentrerat sätt att modellera prognoser vid komplexa kroniska sjukdomar som MS.

För att underlätta fortsatt forskning har teamet även utvecklat en anonymiserad onlineversion av modellen, MSP-tracker (https://msp-tracker.serve.scilifelab.se/), som gör det möjligt för andra forskare att utforska och testa ramverket på avidentifierade data. Detta öppna initiativ syftar till att påskynda den datadrivna innovationen inom MS-forskning och att underlätta användningen och vidareutvecklingen av prediktiva verktyg för neurologiska sjukdomar i stort.