Strumenti basati sull’intelligenza artificiale utilizzati per la valutazione dell’istologia epatica contribuiscono a migliorare la comprensione della steatoepatite non alcolica NASH
Utilità del supporto dei dati dei test non invasivi (NIT) per la stratificazione del rischio e per il monitoraggio dei pazienti con NASH– Nuovi risultati dimostrano che il fenofibrato mitiga gli aumenti dei trigliceridi sierici nei pazienti con NASH trattati con la molecola sperimentale firsocostat
Utilità del supporto dei dati dei test non invasivi (NIT) per la stratificazione del rischio e per il monitoraggio dei pazienti con NASH– Nuovi risultati dimostrano che il fenofibrato mitiga gli aumenti dei trigliceridi sierici nei pazienti con NASH trattati con la molecola sperimentale firsocostat
Gilead Sciences ha annunciato oggi nuovi dati del suo programma di ricerca e sviluppo sulla steatoepatite non alcolica (NASH, nonalcoholic steatohepatitis), il quale include studi che valutano approcci all’interpretazione dell’istologia epatica basati sul machine learning, test non invasivi (NIT, Non-Invasive Test) per la caratterizzazione e il monitoraggio della gravità della malattia e nuove terapie per il trattamento di questa patologia. I dati sono stati presentati al Liver Meeting 2019, appena conclusosi a Boston.
“Combinando i dati di tutto il nostro programma di sviluppo clinico nella NASH con strumenti basati sull’intelligenza artificiale (IA), possiamo caratterizzare meglio questa complessa malattia e capire come potenziali terapie possono influire sulla sua progressione”, ha affermato Mani Subramanian, MD, Senior Vice Presidente della divisione Liver Diseases presso Gilead Sciences. “L’applicazione della piattaforma di ricerca sul deep learning di PathAI per la valutazione dell’istologia epatica consentirà di esaminare in modo più rigoroso la risposta al trattamento, oltre ad avere il potenziale per l’esplorazione di nuove tecniche biologiche per i pazienti con fibrosi avanzata a NASH”.
Il machine learning nella NASHIn collaborazione con PathAI, leader nella ricerca patologica basata sull’intelligenza artificiale, Gilead sta valutando approcci alla valutazione dell’istologia epatica basati sul machine learning, che potranno essere utilizzati nella diagnosi e stadiazione della NASH e nel monitoraggio della risposta al trattamento nel corso degli studi clinici. Uno studio di immagini di biopsie epatiche di pazienti sottoposti a screening per il programma di studio clinico di fase III STELLAR ha confrontato la stadiazione e la caratterizzazione delle malattie epatiche valutate da patologi esperti con quelle valutate dalla piattaforma di ricerca di PathAI. I patologi hanno valutato le biopsie usando la classificazione della fibrosi nella NASH del Clinical Research Network (CRN) e di Ishak, mentre la piattaforma di ricerca di PathAI – una rete neurale convoluzionale – ha valutato queste biopsie dopo un training su oltre 68.000 annotazioni di 75 patologi certificati.
I risultati hanno dimostrato che i modelli di machine learning e il consenso delle letture dei patologi indipendenti hanno mostrato un’elevata coerenza per quanto riguarda le caratteristiche istologiche chiave della NASH. È importante sottolineare che, per la stadiazione della fibrosi, le previsioni del modello di machine learning erano altamente correlate a quelle del patologo centrale per entrambi i sistemi di stadiazione della NASH, quello del CRN (rs=0,83) e quello di Ishak (rs=0,86).
“La valutazione di nuove terapie per la NASH può essere migliorata con una valutazione quantitativa e riproducibile della patologia epatica”, ha affermato Andy Beck, MD, PhD, co-fondatore e Amministratore delegato di PathAI. “Siamo entusiasti della possibilità di applicare la piattaforma di ricerca di PathAI allo sviluppo di nuovi approcci terapeutici”.
In un’analisi separata, sono stati sviluppati modelli di machine learning per riconoscere i pattern associati a ogni stadio della fibrosi, utilizzando valutazioni del grado di fibrosi (punteggio di Ishak) ottenute sulla base di immagini (Immagini di biopsie epatiche provenienti da 674 pazienti con cirrosi compensata (F4) arruolati nello studio clinico di fase III STELLAR-4 hanno dimostrato che i modelli di machine learning sono predittivi della progressione della malattia, illustrano l’eterogeneità della fibrosi nella NASH con cirrosi e sono correlati a marcatori non invasivi della fibrosi. Questi dati evidenziano il potenziale dei modelli di machine learning di caratterizzare i pazienti con cirrosi al di là della stadiazione istologica convenzionale.
Test non invasivi per la stratificazione del rischio e il monitoraggio dei pazienti con NASHLe analisi degli studi clinici di fase III STELLAR indicano che i test non invasivi (NIT, Non-Invasive Test) possono svolgere un ruolo importante nella stratificazione del rischio e nel monitoraggio dei pazienti con NASH. Un poster presentato ha dimostrato che un maggiore onere di fibrosi al basale – come valutato tramite NIT (per esempio, il test Enhanced Liver Fibrosis (ELF) e il punteggio di fibrosi NAFLD [NFS]) – e maggiori aumenti di questi marcatori nel tempo sono entrambi associati a un aumento del rischio di progressione della malattia. Un’ulteriore analisi ha dimostrato che, nei pazienti con fibrosi avanzata dovuta a NASH, la risposta al trattamento definita da miglioramenti nel test ELF o della rigidità epatica mediante elastografia transiente (TE, transient elastography) è associata a miglioramenti consistenti in altri parametri clinici, ivi inclusi biochimica epatica, rigidità epatica e indici glicemici, mentre nei responder definiti dall’istologia epatica sono migliorati solo i parametri istologici. Questi dati supportano la potenziale utilità dei NIT per il monitoraggio dei pazienti con NASH e come endpoint negli studi clinici.
La terapia combinata con fenofibrato mitiga gli aumenti dei trigliceridi nei pazienti con NASH trattati con la molecola sperimentale firsocostatGilead sta studiando il ruolo potenziale degli inibitori dell’acetil-CoA carbossilasi (ACC) nel trattamento della NASH. In una sessione late-breaker, Gilead ha presentato i risultati di uno studio che ha valutato la sicurezza e l’efficacia del fenofibrato nel mitigare gli aumenti dei trigliceridi sierici nei pazienti con ipertrigliceridemia e fibrosi avanzata dovuta a NASH che sono stati trattati con l’inibitore di ACC firsocostat. I pazienti sono stati randomizzati a ricevere il trattamento con fenofibrato 48 mg o 145 mg per via orale una volta al giorno per due settimane, seguito dalla combinazione di fenofibrato e firsocostat 20 mg al giorno per 24 settimane. I risultati indicano che dopo 24 settimane di trattamento di combinazione, i trigliceridi sierici non erano significativamente diversi dal basale nei bracci 48 mg (p = 0,09) e 145 mg (p = 0,99). Questi risultati indicano che nei pazienti con fibrosi avanzata dovuta a NASH, il fenofibrato mitiga gli aumenti dei trigliceridi sierici indotti da firsocostat. La combinazione di firsocostat e fenofibrato ha anche determinato significativi miglioramenti del grasso epatico, della biochimica epatica e dei marker di fibrosi. Il fenofibrato, in monoterapia e in combinazione con firsocostat, è stato ben tollerato; non sono stati osservati eventi avversi di grado 3 o 4, interruzioni del trattamento o epatotossicità.
Firsocostat è un composto sperimentale e non è approvato dalla US Food & Drug Administration (FDA), né da qualsiasi altra Autorità Regolatoria. La sua sicurezza ed efficacia non sono state stabilite.
Fonte: Ufficio Stampa Omnicom
“Combinando i dati di tutto il nostro programma di sviluppo clinico nella NASH con strumenti basati sull’intelligenza artificiale (IA), possiamo caratterizzare meglio questa complessa malattia e capire come potenziali terapie possono influire sulla sua progressione”, ha affermato Mani Subramanian, MD, Senior Vice Presidente della divisione Liver Diseases presso Gilead Sciences. “L’applicazione della piattaforma di ricerca sul deep learning di PathAI per la valutazione dell’istologia epatica consentirà di esaminare in modo più rigoroso la risposta al trattamento, oltre ad avere il potenziale per l’esplorazione di nuove tecniche biologiche per i pazienti con fibrosi avanzata a NASH”.
Il machine learning nella NASHIn collaborazione con PathAI, leader nella ricerca patologica basata sull’intelligenza artificiale, Gilead sta valutando approcci alla valutazione dell’istologia epatica basati sul machine learning, che potranno essere utilizzati nella diagnosi e stadiazione della NASH e nel monitoraggio della risposta al trattamento nel corso degli studi clinici. Uno studio di immagini di biopsie epatiche di pazienti sottoposti a screening per il programma di studio clinico di fase III STELLAR ha confrontato la stadiazione e la caratterizzazione delle malattie epatiche valutate da patologi esperti con quelle valutate dalla piattaforma di ricerca di PathAI. I patologi hanno valutato le biopsie usando la classificazione della fibrosi nella NASH del Clinical Research Network (CRN) e di Ishak, mentre la piattaforma di ricerca di PathAI – una rete neurale convoluzionale – ha valutato queste biopsie dopo un training su oltre 68.000 annotazioni di 75 patologi certificati.
I risultati hanno dimostrato che i modelli di machine learning e il consenso delle letture dei patologi indipendenti hanno mostrato un’elevata coerenza per quanto riguarda le caratteristiche istologiche chiave della NASH. È importante sottolineare che, per la stadiazione della fibrosi, le previsioni del modello di machine learning erano altamente correlate a quelle del patologo centrale per entrambi i sistemi di stadiazione della NASH, quello del CRN (rs=0,83) e quello di Ishak (rs=0,86).
“La valutazione di nuove terapie per la NASH può essere migliorata con una valutazione quantitativa e riproducibile della patologia epatica”, ha affermato Andy Beck, MD, PhD, co-fondatore e Amministratore delegato di PathAI. “Siamo entusiasti della possibilità di applicare la piattaforma di ricerca di PathAI allo sviluppo di nuovi approcci terapeutici”.
In un’analisi separata, sono stati sviluppati modelli di machine learning per riconoscere i pattern associati a ogni stadio della fibrosi, utilizzando valutazioni del grado di fibrosi (punteggio di Ishak) ottenute sulla base di immagini (Immagini di biopsie epatiche provenienti da 674 pazienti con cirrosi compensata (F4) arruolati nello studio clinico di fase III STELLAR-4 hanno dimostrato che i modelli di machine learning sono predittivi della progressione della malattia, illustrano l’eterogeneità della fibrosi nella NASH con cirrosi e sono correlati a marcatori non invasivi della fibrosi. Questi dati evidenziano il potenziale dei modelli di machine learning di caratterizzare i pazienti con cirrosi al di là della stadiazione istologica convenzionale.
Test non invasivi per la stratificazione del rischio e il monitoraggio dei pazienti con NASHLe analisi degli studi clinici di fase III STELLAR indicano che i test non invasivi (NIT, Non-Invasive Test) possono svolgere un ruolo importante nella stratificazione del rischio e nel monitoraggio dei pazienti con NASH. Un poster presentato ha dimostrato che un maggiore onere di fibrosi al basale – come valutato tramite NIT (per esempio, il test Enhanced Liver Fibrosis (ELF) e il punteggio di fibrosi NAFLD [NFS]) – e maggiori aumenti di questi marcatori nel tempo sono entrambi associati a un aumento del rischio di progressione della malattia. Un’ulteriore analisi ha dimostrato che, nei pazienti con fibrosi avanzata dovuta a NASH, la risposta al trattamento definita da miglioramenti nel test ELF o della rigidità epatica mediante elastografia transiente (TE, transient elastography) è associata a miglioramenti consistenti in altri parametri clinici, ivi inclusi biochimica epatica, rigidità epatica e indici glicemici, mentre nei responder definiti dall’istologia epatica sono migliorati solo i parametri istologici. Questi dati supportano la potenziale utilità dei NIT per il monitoraggio dei pazienti con NASH e come endpoint negli studi clinici.
La terapia combinata con fenofibrato mitiga gli aumenti dei trigliceridi nei pazienti con NASH trattati con la molecola sperimentale firsocostatGilead sta studiando il ruolo potenziale degli inibitori dell’acetil-CoA carbossilasi (ACC) nel trattamento della NASH. In una sessione late-breaker, Gilead ha presentato i risultati di uno studio che ha valutato la sicurezza e l’efficacia del fenofibrato nel mitigare gli aumenti dei trigliceridi sierici nei pazienti con ipertrigliceridemia e fibrosi avanzata dovuta a NASH che sono stati trattati con l’inibitore di ACC firsocostat. I pazienti sono stati randomizzati a ricevere il trattamento con fenofibrato 48 mg o 145 mg per via orale una volta al giorno per due settimane, seguito dalla combinazione di fenofibrato e firsocostat 20 mg al giorno per 24 settimane. I risultati indicano che dopo 24 settimane di trattamento di combinazione, i trigliceridi sierici non erano significativamente diversi dal basale nei bracci 48 mg (p = 0,09) e 145 mg (p = 0,99). Questi risultati indicano che nei pazienti con fibrosi avanzata dovuta a NASH, il fenofibrato mitiga gli aumenti dei trigliceridi sierici indotti da firsocostat. La combinazione di firsocostat e fenofibrato ha anche determinato significativi miglioramenti del grasso epatico, della biochimica epatica e dei marker di fibrosi. Il fenofibrato, in monoterapia e in combinazione con firsocostat, è stato ben tollerato; non sono stati osservati eventi avversi di grado 3 o 4, interruzioni del trattamento o epatotossicità.
Firsocostat è un composto sperimentale e non è approvato dalla US Food & Drug Administration (FDA), né da qualsiasi altra Autorità Regolatoria. La sua sicurezza ed efficacia non sono state stabilite.
Fonte: Ufficio Stampa Omnicom
Feed RSS
