NetraMark Holdings Inc. kondigde de publicatie aan van nieuw, door vakgenoten getoetst onderzoek dat bijdraagt aan het groeiende bewijs dat de kracht van de NetraAI-oplossing ondersteunt om unieke inzichten in ziektebiologie te bieden en goed gedefinieerde patiëntensubpopulaties te identificeren die het succes van klinische tests vergroten. De gegevens, die verschijnen in het huidige nummer van Frontiers in Computational Neuroscience, identificeerden verschillende genen die licht werpen op de pathofysiologie van ALS en nieuwe behandelingsmogelijkheden bieden. De analyse identificeerde ook subpopulaties van ALS-patiënten op basis van het begin van de ziekte.

In dit onderzoek werd NetraAI, een unieke machine learning (ML) omgeving, gebruikt om gegevens te analyseren die verzameld waren door Answer ALS, het grote samenwerkingsverband op het gebied van ALS, dat meerdere onderzoeksorganisaties en belangrijke opinieleiders samenbrengt. Meer dan 800 ALS-patiënten en 100 gezonde controles van acht neuromusculaire klinieken verspreid over de Verenigde Staten werden aan dit project deelgenomen. NetraAI werd beschikbaar gesteld aan medische experts van het Gladstone Institute, zodat zij konden interageren met de door ML gegenereerde hypotheses, de bevindingen konden evalueren en de oorzakelijke factoren die het NetraAI-model suggereerde, konden onderzoeken.

Deze aanpak overbrugt een kritieke kloof die bestaat tussen geavanceerde ML-technieken en menselijke medische expertise.nexplainable subsets zijn verzamelingen patiënten die kunnen leiden tot suboptimale overfit modellen en onnauwkeurige inzichten vanwege slechte correlaties met de betrokken variabelen. De NetraAI gebruikt de verklaarbare subsets om inzichten en hypotheses af te leiden (inclusief factoren die de respons op behandeling en placebo beïnvloeden, evenals bijwerkingen) die de kans op succes van een klinische studie aanzienlijk kunnen vergroten. AI-methoden missen deze focusmechanismen en wijzen elke patiënt toe aan een klasse, zelfs als dit leidt tot "overfitting" waardoor kritieke informatie die gebruikt had kunnen worden om de kans op succes van een trial te verbeteren, wordt overstemd.

De belangrijkste bevindingen van het onderzoek zijn NetraAI herhaalde ALS-doelwitten die met andere analysemethoden waren geïdentificeerd, maar identificeerde ook verschillende genen die tot dezelfde genfamilie behoren als de eerder gerapporteerde genen, evenals geheel nieuwe doelwitten. Deze bevindingen identificeren specifieke genetische factoren die het potentieel hebben om nauwkeurig nieuwe subtypes van bulbar ALS en ALS met ledematen te definiëren voor verbeterde benaderingen van gepersonaliseerde geneeskunde. De identificatie van deze subpopulaties kan de resultaten van klinische studies aanzienlijk verbeteren door therapeutische interventies af te stemmen op de ziektemechanismen van de patiënt.