NetraMark Holdings Inc. gab die Veröffentlichung neuer, von Experten begutachteter Forschungsergebnisse bekannt, die die Leistungsfähigkeit seiner NetraAI-Lösung bei der Gewinnung einzigartiger Einblicke in die Biologie von Krankheiten und bei der Identifizierung genau definierter Patientensubpopulationen, die den Erfolg klinischer Studien fördern, untermauern. Die Daten, die in der aktuellen Ausgabe von Frontiers in Computational Neuroscience veröffentlicht wurden, haben mehrere Gene identifiziert, die die Pathophysiologie der ALS erhellen und neue Wege für die Behandlung aufzeigen. Die Analyse identifizierte auch Subpopulationen von ALS-Patienten auf der Grundlage des Ausbruchs der Krankheit.

In dieser Studie wurde NetraAI, eine einzigartige Umgebung für maschinelles Lernen (ML), verwendet, um Daten zu analysieren, die von Answer ALS gesammelt wurden, dem großen Gemeinschaftsprojekt für ALS, das mehrere Forschungsorganisationen und wichtige Meinungsführer zusammenbringt. Mehr als 800 ALS-Patienten und 100 gesunde Kontrollpersonen aus acht über die Vereinigten Staaten verteilten neuromuskulären Kliniken wurden in dieses Projekt aufgenommen. NetraAI wurde medizinischen Experten am Gladstone Institute zur Verfügung gestellt, so dass sie mit den ML-generierten Hypothesen interagieren, die Ergebnisse bewerten und die vom NetraAI-Modell vorgeschlagenen kausalen Faktoren untersuchen konnten.

Dieser Ansatz überbrückt eine kritische Lücke, die zwischen fortschrittlichen ML-Techniken und menschlichem medizinischen Fachwissen besteht.nexplainable subsets sind Sammlungen von Patienten, die aufgrund schlechter Korrelationen mit den beteiligten Variablen zu suboptimalen Overfit-Modellen und ungenauen Erkenntnissen führen können. Die NetraAI nutzt die erklärbaren Teilmengen, um Erkenntnisse und Hypothesen abzuleiten (einschließlich Faktoren, die das Ansprechen auf Behandlung und Placebo sowie unerwünschte Ereignisse beeinflussen), die die Erfolgschancen einer klinischen Studie deutlich erhöhen können. Bei KI-Methoden fehlen diese Fokussierungsmechanismen und sie ordnen jeden Patienten einer Klasse zu, auch wenn dies zu einer "Überanpassung" führt, die kritische Informationen übertönt, die zur Verbesserung der Erfolgschancen einer Studie hätten genutzt werden können.

Zu den wichtigsten Ergebnissen der Studie gehören: NetraAI replizierte ALS-Medikamentenziele, die mit anderen Analysemethoden identifiziert worden waren, identifizierte aber auch mehrere Gene, die zur gleichen Genfamilie gehören wie die zuvor berichteten, sowie völlig neue Ziele. Diese Ergebnisse identifizieren spezifische genetische Faktoren, die das Potenzial haben, neue Subtypen der bulbären und gliedmaßenbedingten ALS genau zu definieren und so die Ansätze der personalisierten Medizin zu verbessern. Die Identifizierung dieser Subpopulationen birgt ein erhebliches Potenzial, die Ergebnisse klinischer Studien zu verbessern, indem therapeutische Interventionen auf die Krankheitsmechanismen der Patienten abgestimmt werden.