Statistisches Modell kann Therapie-Erfolg neuer Medikamente berechnen
Ein Forschungsteam der MedUni Wien hat neue mathematische Methoden vorgestellt, mit denen für die Vorhersage relevante Charakteristika identifiziert werden können.
Ziel der „Präzisionsmedizin“ ist es, individuelle Behandlungsstrategien und Therapien zu entwickeln. Dabei spielen statistische Verfahren eine wichtige Rolle, um aus Daten klinischer Studien die Wirksamkeit von Medikamenten auf Grundlage der Patientencharakteristika vorherzusagen.
Relevante Biomarker herausfiltern
Arzneimittel wirken bekanntlich nicht bei allen Menschen gleichermaßen. Deshalb sind Forschern in der Präzisionsmedizin darum bemüht, bereits während der Entwicklung eines Medikamentes, in klinischen Studien Gruppen von Patienten zu identifizieren, die besonders auf den Wirkstoff ansprechen und kein erhöhtes Nebenwirkungsrisiko haben. Grundlage dafür sind moderne diagnostische Verfahren wie die Genom-Sequenzierung und die molekulare Bildgebung.
Die aus diesen Studien hervorgehenden Daten werden für statistische Analysen verwendet, um eine genauere Vorhersage über die Wirkung von Medikamenten treffen zu können. Es werden dabei statistisch-mathematische Methoden angewandt, die aus der Fülle an Daten relevante Biomarker herausfiltern können. Solche Biomarker sind zum Beispiel bestimmte Genmutationen oder Laborwerte, aber auch andere Eigenschaften der Patienten, wie etwa Alter, Geschlecht oder das Krankheitsstadium.
Algorithmen beurteilen Zuverlässigkeit von Prognosen
Mit Hilfe dieser so identifizierten Biomarker können nun Modelle zur Vorhersage darüber erstellt werden, für welche Patientengruppen eine Therapie mit dem gerade neu entwickelten Arzneimittel wirksamer ist als die Standardtherapie. Zum Beispiel kann im Bereich onkologischer Studien prognostiziert werden, für welche Patienten eine neue Therapie lebensverlängernd ist. Dazu verwendet man sogenannte Regressionsmodelle und Variablenselektionsverfahren. Statistische Vorhersagen unterliegen allerdings immer einer gewissen Schwankungsbreite. Je weniger Datenmaterial von an Studien teilnehmenden Patienten zur Verfügung stehen, desto ungenauer ist die Vorhersage. Ein Ziel in der medizinischen Statistik ist es daher, die Schwankungsbreite so gering wie möglich zu halten, um die Wirksamkeit der jeweiligen Therapie bestmöglich zu prognostizieren.
In der nun veröffentlichten Forschungsarbeit wurden entsprechende, neue statistische Prognoseverfahren erarbeitet, die im Prozess der Entwicklung neuer Medikamente zum Einsatz kommen. Mittels dieser Algorithmen ist es möglich, auf Basis klinischer Studien relevante Biomarker zu identifizieren und die statistische Zuverlässigkeit der Prognosen zu beurteilen. Somit kann man in der Entwicklung neuer Medikamente besser vorhersagen, für welche Patientengruppen eine Therapie wirksam und sicher ist. Dies ist ein wichtiger Schritt, um die Zuverlässigkeit von Prognosemodellen in der Präzisionsmedizin zu verbessern und die Entwicklung individualisierter Therapien zu unterstützen.
Die Arbeit ist Teil der Dissertation von Nicolas Ballarini und wurde gemeinsam mit Franz König, Martin Posch und Gerd Rosenkranz an der MedUniWien am Zentrum für Medizinische Statistik, Informatik und Intelligente Systeme (CeMSIIS) und Thomas Jaki von der Lancaster University durchgeführt, in Zusammenarbeit mit dem Europäischen Forschungsnetzwerk IDEAS zur Entwicklung von neuen statistischen Methoden zur Entwicklung neuer Medikamente.
Weiterlesen: