NetraMark Holdings Inc. a annoncé la publication d'une nouvelle étude évaluée par des pairs qui vient s'ajouter au nombre croissant de preuves étayant la capacité de sa solution NetraAI à fournir des informations uniques sur la biologie des maladies et à identifier des sous-populations de patients bien définies qui favorisent la réussite des essais cliniques. Les données, publiées dans le numéro actuel de Frontiers in Computational Neuroscience, ont permis d'identifier plusieurs gènes qui éclairent la physiopathologie de la SLA et ouvrent de nouvelles perspectives de traitement. L'analyse a également permis d'identifier des sous-populations de patients atteints de SLA en fonction de l'apparition de la maladie.

Dans cette étude, NetraAI, un environnement unique d'apprentissage automatique, a été utilisé pour analyser les données collectées par Answer ALS, le vaste effort de collaboration dans le domaine de la SLA, qui rassemble de nombreux organismes de recherche et des leaders d'opinion clés. Plus de 800 patients atteints de SLA et 100 témoins sains provenant de huit cliniques neuromusculaires réparties sur l'ensemble du territoire américain ont participé à ce projet. NetraAI a été mis à la disposition des experts médicaux de l'Institut Gladstone, ce qui leur a permis d'interagir avec les hypothèses générées par le ML, d'évaluer les résultats et d'examiner les facteurs de causalité suggérés par le modèle NetraAI.

Cette approche comble un fossé critique entre les techniques avancées de ML et l'expertise médicale humaine. Les sous-ensembles inexplicables sont des collections de patients qui peuvent conduire à des modèles de surajustement sous-optimaux et à des idées inexactes en raison de faibles corrélations avec les variables impliquées. L'IA Netra utilise les sous-ensembles explicables pour dériver des idées et des hypothèses (y compris les facteurs qui influencent les réponses au traitement et au placebo, ainsi que les événements indésirables) qui peuvent augmenter de manière significative les chances de succès d'un essai clinique. Les méthodes d'IA ne disposent pas de ces mécanismes de focalisation et assignent chaque patient à une classe, même si cela conduit à un "surajustement" qui noie les informations critiques qui auraient pu être utilisées pour améliorer les chances de succès d'un essai.

Les principales conclusions de l'étude sont les suivantes : NetraAI a reproduit les cibles médicamenteuses de la SLA identifiées à l'aide d'autres méthodes analytiques, mais a également identifié plusieurs gènes appartenant à la même famille de gènes que ceux précédemment signalés, ainsi que des cibles entièrement nouvelles. Ces résultats permettent d'identifier des facteurs génétiques spécifiques susceptibles de définir avec précision de nouveaux sous-types de SLA bulbaire et de SLA initiée par les membres, afin d'améliorer les approches de médecine personnalisée. L'identification de ces sous-populations pourrait améliorer les résultats des essais cliniques en adaptant les interventions thérapeutiques aux mécanismes pathologiques des patients.