Digitaalisesta kaksosesta apuväline yksilölliseen ja ennaltaehkäisevään akuutin myeloidisen leukemian lääkehoitoon
Frank Emmert-Streib ja Olli Yli-Harja tutkimusryhmineen kehittävät akuutin myeloidisen leukemian (AML) digitaalista kaksosta. Se on vuorovaikutteinen järjestelmä, jota lääkärit voivat käyttää potilaiden kanssa. Siinä potilaan luuydinaspiraateista ja ääreisverenkierrosta kerätään kliinisiä ja molekyylitason tietoja, joita käytetään potilaan sairauden digitaalisen kaksosen luomiseen.
Projektiin osallistuu tutkijoita sekä kliiniseltä että laskennalliselta puolelta. Tampereen yliopiston Emmert-Streibin ja Yli-Harjan lisäksi mukana ovat Ilya Shmulevich Yhdysvalloista, systeemibiologian instituutista (Institute for Systems Biology, Seattle), sekä Caroline Heckman ja Mika Kontro Helsingin yliopiston molekulaarisen lääketieteen instituutista (FIMM). Kontro työskentelee myös Helsingin seudun yliopistollisessa keskussairaalassa (HUS).
Ennaltaehkäisevä versus reaktiivinen lääketiede
Digitaalista kaksosta voidaan käyttää terveyden ylläpitämiseen hyödyntämällä sen kykyä tuottaa henkilökohtaisia ennusteita. Varhaisella puuttumisella eteneminen sairaudeksi voidaan mahdollisesti välttää. Digitaalinen kaksonen voi ennustaa taudin kehittymisen aikana tapahtuvia muutoksia.
– Esimerkiksi diabeteksessa tapahtuu merkittäviä muutoksia esidiabeteksen ja diabeteksen välillä sekä diabeteksen ja munuaissairauden välillä. Näitä ja muita negatiivisia siirtymiä voidaan ennustaa digitaalisen kaksosen avulla, ja mahdollisesti välttää oikea-aikaisella puuttumisella, Yli-Harja sanoo.
Metabolisessa sairaudessa, kuten diabeteksessa, onnistunut hoito riippuu vahvasti potilaan osallistumisesta, toiminnasta ja motivaatiosta.
– Digitaalisen kaksosen avulla lääkäri voi vahvistaa potilaan osallistumista hoitoprosessiin. AML-DT-prototyyppimme vaikuttaa hyvin lupaavalta. Se voi toimia esimerkkinä siitä, miten parantaa tapaa, jolla muitakin sairauksia hoidetaan, Yli-Harja jatkaa.
Digitaalinen kaksonen helpottaa potilaiden osallistumista hoitoprosessiin
Digitaalisen kaksosen avulla lääkäri ja potilas voivat yhdessä tutkia yksilöllistettyjä, mallipohjaisia ennusteita lääkevasteesta.
– Taustatietona käytetään akuuttia myeloidista leukemiaa sairastavien potilaiden julkisesti saatavilla olevia ja mitattavia tuloksia, jotka on saatu molekyylitietojen perusteella. AML-DT-järjestelmä kehittyy jatkuvasti oppimalla potilaiden kokemuksista ja heidän digitaalisista kaksosistaan, Emmert-Streib kertoo.
Digitaalinen kaksonen tukee potilaiden vahvempaa osallistumista hoitoihin, esimerkiksi terveyspäätösten tekemiseen. Yli-Harjan mukaan tämä johtaa potilaan vahvempaan sitoutumiseen:
– Tietokantojen sisältämät tiedot yhdistettynä yksilöityihin malleihin antavat mahdollisuuden saada potilaille henkilökohtaisia ennusteita. Tämä poikkeaa perinteisistä lähestymistavoista, jotka perustuvat usein potilasjoukkoon, jota hoidetaan yhdenmukaisella tavalla.
Henkilökohtaisen lääketieteen perusajatus sisältyy digitaaliseen kaksoseen. Sen avulla mallit ovat hienosäädettävissä yksittäisille potilaille.
AML:n lääkehoidossa tavanomaiset keinot ovat rajallisia
AML on yleisin leukemia aikuisilla. Monilla potilailla, jotka saavat intensiivistä syövän lääkehoitoa ja terveitä soluja luovuttajalta, sairaus silti uusiutuu lopulta. Heille hoidon tulokset eivät ole lupaavia. Intensiivinen kemoterapia ei myöskään usein sovellu vanhemmille, yleiskunnoltaan heikoille potilaille.
Tuloksia parantavia uusia hoitovaihtoehtoja on löydetty, mutta niiden vasteet ovat hajanaisia. Lisäksi menetelmät, joilla tunnistetaan kemoterapiasta hyötyviä potilaita, ovat puutteellisia. AML-DT:n on tarkoitus vastata potilaan tarpeisiin tarkemmin.
– Kehittämämme AML-DT-prototyyppijärjestelmä havainnollistaa potilashistoriaa visuaalisesti sekä laatii ennusteita taudin etenemisestä ja lääkevasteesta. Nämä voidaan todentaa kliinisissä tutkimuksissa. Prototyyppi tarjoaa kaivattua ennakointia, jonka avulla lääkärit ja potilaat voivat tehdä parempia hoitosuunnitelmia, Emmert-Streib sanoo.
Tutkimuksessaan Emmert-Streib ja Yli-Harja yhdistävät yksityiskohtaisia tietämysverkkoja pahanlaatuisuutta kuvaaviin hierarkisiin dynaamisiin malleihin. Tämä tarkoittaa, että yleinen tieto taudista yhdistetään potilaan molekyylitietoihin, jotta hänelle voidaan luoda henkilökohtainen laskennallinen malli. Tämä tarjoaa pohjan AML:n digitaalisen kaksosen kehittämiselle.
– Odotamme, että tuloksiamme voidaan hyödyntää laajemmin myös muiden sellaisten sairauksien hoidossa, joissa tarvitaan tukijärjestelmiä päätöksenteon avuksi. Datatieteen ja tekoälyn näkökulmasta hanke voi myös toimia simulaatiopohjaisen päättelyn todentamisessa. Tällä voi olla merkitystä myös monilla muilla sovellusaloilla, kuten tuotantotekniikassa ja ilmastontutkimuksessa, Emmert-Streib sanoo.
Tutkimusprojekti on osa marraskuussa 2020 aloitettua AKA-NIH-kumppanuusohjelmaa. Hanke on saanut rahoitusta Suomesta ja Yhdysvalloista. Suomessa osapuolena on Suomen Akatemia (AKA) ja Yhdysvalloissa National Institutes of Health (NIH). AKA-NIH-kumppanuusohjelman yleistavoitteena on lisätä Suomen ja Yhdysvaltojen välistä tutkimusyhteistyötä.
Lisätietoja:
professori Frank Emmert-Streib
frank.emmert-streib [at] tuni.fi (frank[dot]emmert-streib[at]tuni[dot]fi)
+358503015353
professori Olli Yli-Harja
olli.yli-harja [at] tuni.fi (olli[dot]yli-harja[at]tuni[dot]fi)
+358408490778
