Iniciativa databáze odporu - Resistance Database Initiative

Initiative Database Response Response Database (RDI) je ne pro zisk organizace založená v roce 2002 s následující misí:

Zlepšit klinické řízení HIV infekce vytvořením velké klinické databáze a bioinformatické techniky, které přesně předpovídají reakci každého jedince na jakoukoli kombinaci léků proti HIV.

RDI má následující konkrétní cíle:

  1. Být nezávislým úložištěm údajů o rezistenci vůči HIV a výsledcích léčby
  2. Využít bioinformatiku k prozkoumání vztahů mezi rezistencí, dalšími klinickými a laboratorními faktory a výsledkem léčby HIV
  3. Vyvinout a volně zpřístupnit systém pro předvídání reakce na léčbu jako pomůcku pro optimalizaci a individualizaci klinického řízení infekce HIV

RDI se skládá z malé výkonné skupiny se sídlem ve Velké Británii, mezinárodní poradní skupiny vedoucích HIV / AIDS vědci a lékaři a rozsáhlá globální síť spolupracovníků a přispěvatelů dat.

Pozadí

Virus lidské imunodeficience (HIV) je virus to způsobuje syndrom získané immunití nedostatečnisti (AIDS ), stav, při kterém imunitní systém začíná selhávat, což vede k ohrožení života oportunní infekce.

Existuje přibližně 25 HIV ‚antiretrovirotikum „Léky, které byly schváleny pro léčbu infekce HIV, ze šesti různých tříd, na základě bodu v životním cyklu HIV, ve kterém působí.

Používají se v kombinaci; typicky 3 nebo více léků ze 2 nebo více různých tříd, forma terapie známá jako vysoce aktivní antiretrovirová terapie nebo HAART. Cílem terapie je potlačení viru na velmi nízké, ideálně nezjistitelné hladiny v krvi, které zabraňují viru vyčerpat imunitní buňky že přednostně útočí (CD4 buněk) a předchází nebo oddaluje nemoci a smrt.

Navzdory rozšiřující se dostupnosti těchto léků a dopadu jejich užívání léčba stále selhává, což často vede k rozvoji rezistence. Během lékové terapie stále dochází k replikaci viru na nízké úrovni, zvláště když pacient vynechá dávku. HIV dělá chyby při kopírování svého genetického materiálu, a pokud a mutace způsobí, že virus je odolný vůči jednomu nebo více lékům, může se za přítomnosti tohoto léku začít úspěšněji replikovat a podkopávat účinek léčby. Pokud k tomu dojde, je třeba změnit léčbu, aby se obnovila kontrola nad virem.

V dobře vybavených zdravotnických zařízeních, když léčba selže, může být spuštěn test rezistence k předpovědi, na které léky je virus pacienta rezistentní. Nejběžnějším typem testu je genotyp test, který detekuje mutace viru genetický kód. Tyto informace jsou pak obvykle interpretovány pomocí pravidel, která srovnávají jednotlivé mutace s odolností proti jednotlivým lékům. Existuje však mnoho různých interpretačních systémů, které se ne vždy shodují, tyto systémy poskytují pouze kategorické výsledky (rezistentní, citlivé nebo střední) a nemusí nutně dobře souviset s tím, jak bude pacient na klinice reagovat na kombinaci léků.

Přehled RDI

RDI byl založen v roce 2002 jako průkopník nového přístupu: rozvíjet výpočetní modely pomocí široké škály laboratorních a klinických údajů shromážděných od tisíců pacientů léčených HAART po celém světě a pomocí těchto modelů předpovědět, jak bude individuální pacient reagovat na různé kombinace léků.

Klíčem k úspěchu tohoto přístupu je shromažďování velkého množství dat, pomocí kterých lze modely trénovat, a využití dat z co nejširšího a nejrůznějšího rozsahu zdrojů, aby se maximalizovala zobecnitelnost předpovědí modelů. Aby toho bylo možné dosáhnout, RDI se rozhodl zapojit co nejvíce klinik po celém světě a být jediným úložištěm požadovaných údajů ve snaze zabránit zbytečnému zdvojování úsilí a konkurence.

V lednu 2019 shromáždilo RDI údaje od přibližně 250 000 pacientů z desítek klinik ve více než 30 zemí. Je to pravděpodobně největší databáze svého druhu na světě. Data zahrnují demografické informace o pacientovi a mnohonásobné stanovení množství viru v pacientově krevním řečišti, počet buněk CD4 (bílá krvinka kritická pro funkci imunitní systém které HIV cílí a ničí), genetický kód viru pacientů a podrobnosti o lécích, které byly použity k léčbě pacienta.

RDI tyto údaje použila k provedení rozsáhlého výzkumu s cílem vyvinout co nejpřesnější systém pro predikci odpovědi na léčbu. Tento výzkum zahrnoval vývoj a srovnání různých metod výpočetního modelování včetně umělé neuronové sítě, podporovat vektorové stroje, náhodné lesy a logistická regrese.[1]

Předpovědi modelů RDI mají historickou podobu korelovaný se skutečnými změnami virové zátěže pacientů na klinice, obvykle dosažení korelačního koeficientu 0,7 nebo více.[2]

Nedávné modely předpovídají, zda kombinovaná léčba sníží hladinu viru v krevním řečišti pacienta na nedetekovatelné úrovně s přesností přibližně 80%, což je podstatně lepší než pouhé použití genotypu s interpretací založenou na pravidlech.

HIV-TRePS

V říjnu 2010, po klinickém testování ve dvou nadnárodních studiích, poskytl RDI svůj experimentální systém předpovědi odpovědi na léčbu HIV HIV-TRePS přes internet. V lednu 2011 byly zveřejněny dvě klinické studie, které naznačují, že použití systému HIV-TRePS může vést ke klinickým a ekonomickým výhodám.[3] Studie provedené odbornými lékaři na HIV v USA, Kanadě a Itálii ukázaly, že používání systému bylo spojeno se změnami rozhodnutí o léčbě na kombinace zahrnující celkově méně léků, u nichž se předpokládalo, že povedou k lepším virologickým reakcím, což naznačuje, systém by mohl potenciálně zlepšit výsledky pacientů a snížit celkový počet a náklady na užívané léky.

Jelikož kliniky v podmínkách s omezenými zdroji si často nemohou dovolit genotypizaci, vyvinula RDI modely, které předpovídají léčebnou odpověď bez nutnosti genotypu, jen s malou ztrátou přesnosti.[4] V červenci 2011 RDI tyto modely zpřístupnil jako součást systému HIV-TRePS. Tato verze je zaměřena zejména na nastavení omezená na zdroje, kde genotypizace často není běžně k dispozici. Nejnovější z těchto modelů, trénovaný s dosud největším datovým souborem, dosáhl 80% přesnosti, což je srovnatelné s modely, které ve svých předpovědích používají genotyp a jsou výrazně přesnější než genotypizace s vlastní interpretací založenou na pravidlech.[5][6]

HIV-TRePS se nyní používá v přibližně 90 zemích jako nástroj pro predikci virologické odpovědi na léčbu a zabránění selhání léčby.

Systém byl rozšířen, aby umožnil lékařům zahrnout do modelování své místní náklady na léky. Nedávná studie údajů z indické kohorty prokázala, že systém byl schopen identifikovat kombinace tří lokálně dostupných léků s vyšší pravděpodobností úspěchu než režim předepsaný na klinice, včetně těch případů, kdy léčba použitá na klinice selhala. Navíc ve všech těchto případech byly některé alternativy méně nákladné než režim používaný na klinice, což naznačuje, že systém by mohl nejen pomoci vyhnout se selhání léčby, ale také snížit náklady.[7]

Personál VaVaI

Výkonný pracovník VaVaI

  • Dr. Brendan Larder - vědecký předseda
  • Dr. Andrew Revell - výkonný ředitel
  • Dr. Dechao Wang - ředitel pro bioinformatiku
  • Daniel Coe - ředitel vývoje softwaru

Mezinárodní poradní skupina

Údaje o RDI a studijní skupina

Kohorty: Peter Reiss a Ard van Sighem (ATHENA, Nizozemsko); Julio Montaner a Richard Harrigan (BC Center for Excellence in HIV & AIDS, Kanada); Tobias Rinke de Wit, Raph Hamers a Kim Sigaloff (kohorta PASER-M, Nizozemsko); Brian Agan, Vincent Marconi a Scott Wegner (americké ministerstvo obrany); Wataru Sugiura (Národní institut zdraví, Japonsko); Maurizio Zazzi (MASTER, Itálie); Rolf Kaiser a Eugen Schuelter (Arevir Cohort, Köln, Německo); Adrian Streinu-Cercel (Národní institut infekčních nemocí prof. Dr. Matei Balş, Bukurešť, Rumunsko); Gerardo Alvarez-Uria (VFHCS, Indie), Maria-Jesus Perez-Elias (CORIS, Španělsko), Tulio de Oliveira (SATuRN, Jižní Afrika).

Kliniky: Jose Gatell a Elisa Lazzari (Fakultní nemocnice, Barcelona, ​​Španělsko); Brian Gazzard, Mark Nelson, Anton Pozniak a Sundhiya Mandalia (nemocnice Chelsea a Westminster, Londýn, Velká Británie); Colette Smith (Royal Free Hospital, London, UK); Lidia Ruiz a Bonaventura Clotet (Fundacion Irsi Caixa, Badelona, ​​Španělsko); Schlomo Staszewski (Nemocnice Univerzity Johanna Wolfganga Goetheho, Frankfurt, Německo); Carlo Torti (univerzita v Brescii, Itálie); H Clifford Lane, Julia A Metcalf a Catherine A Rehm (klinika National Institutes of Health, Rockville, USA); Maria-Jesus Perez-Elias (Instituto Ramón y Cajal de Investigación Sanitaria, Madrid, Španělsko); Stefano Vella a Gabrielle Dettorre (Univerzita Sapienza, Řím, Itálie); Andrew Carr, Richard Norris a Karl Hesse (Immunology B Ambulatory Care Service, St. Vincent's Hospital, Sydney, NSW, Austrálie); Dr. Emanuel Vlahakis (Taylor's Square Private Clinic, Darlinghurst, NSW, Austrálie); Hugo Tempelman a Roos Barth (Ndlovu Care Group, Elandsdoorn, Jižní Afrika), Robin Wood, Carl Morrow a Dolphina Cogill (Desmond Tutu HIV Center, University of Cape Town, South Africa); Chris Hoffmann (Aurum Institute, Johannesburg, Jihoafrická republika a Johns Hopkins University, Boston, USA; Luminita Ene (Nemocnice pro infekční a tropické nemoci „Dr. Victor Babes“, Bukurešť, Rumunsko)); Gordana Dragovic (Univerzita v Bělehradě, Bělehrad, Srbsko ); Ricardo Diaz a Cecilia Sucupira (Federální univerzita v São Paulu, São Paulo Brazílie); Omar Sued a Carina Cesar (Fundación Huésped, Buenos Aires, Argentina); Juan Sierra Madero (Instituto Nacional de Ciencias Medicas y Nutricion Salvador Zubiran, Mexico City) , Mexiko); Pachamuthu Balakrishnan a Shanmugam Saravanan (YRG Care, Chennai, Indie).

Klinické testy: Sean Emery a David Cooper (CREST); Carlo Torti (GenPherex); John Baxter (GART, MDR); Laura Monno a Carlo Torti (PhenGen); Jose Gatell a Bonventura Clotet (HAVANA); Gaston Picchio a Marie-Pierre deBethune (DUET 1 & 2 a POWER 3); Maria-Jesus Perez-Elias (RealVirfen); Sean Emery, Paul Khabo a Lotty Ledwaba (PHIDISA).

Reference

  1. ^ Wang, Dechao (2009). „Srovnání tří metod výpočetního modelování pro predikci virologické odpovědi na kombinovanou léčbu HIV“. Umělá inteligence v medicíně. 47 (1): 63–74. doi:10.1016 / j.artmed.2009.05.002. PMID  19524413.
  2. ^ Larder, Brendan (2007). "Vývoj umělých neuronových sítí k předpovědi virologické odpovědi na kombinovanou léčbu HIV". Antivirová terapie. 12 (12): 15–24. PMID  17503743.
  3. ^ Larder, Brendan (2011). „Klinické hodnocení potenciální využitelnosti výpočetního modelování jako nástroje pro výběr léčby HIV lékaři se značnými zkušenostmi s HIV“. Péče o pacienty s AIDS a pohlavně přenosné choroby. 25 (1): 29–36. doi:10.1089 / apc.2010.0254. PMC  3030912. PMID  21214377.
  4. ^ Revell, Andrew (2010). „Modelování reakce na léčbu HIV bez genotypu: argument pro monitorování virové zátěže v podmínkách omezených zdroji“. Journal of Antimicrobial Chemotherapy. 65 (4): 605–607. doi:10.1093 / jac / dkq032. PMC  2837552. PMID  20154024.
  5. ^ Revell, Andrew; Wang, D; Dřevo R; et al. (2013). „Výpočtové modely mohou předvídat reakci na léčbu HIV bez genotypu a mohou snížit selhání léčby v různých prostředích s omezeným zdrojem“. Journal of Antimicrobial Chemotherapy. 68 (6): 1406–14. doi:10.1093 / jac / dkt041. PMC  3654223. PMID  23485767.
  6. ^ Larder, Brendan; Revell AD; Hamers R; Tempelman H; et al. (2013). „Přesná předpověď odpovědi na léčbu HIV bez genotypu je potenciálním nástrojem pro optimalizaci terapie v prostředích s omezeným zdrojem“. Antivirová terapie.
  7. ^ Revell, Andrew; Alvarez-Uria G; Wang D; Pozniak A; Montaner JSG; Lane HC; Larder BA; et al. (2013). „Potenciální dopad bezplatného online systému predikce odpovědi na léčbu HIV pro snížení virologických selhání a nákladů na léky po selhání antiretrovirové terapie v prostředí omezeném na zdroje“. BioMed Research International. 2013: 1–6. doi:10.1155/2013/579741. PMC  3794568. PMID  24175292.

externí odkazy