Verslagen

Voortgangsverslag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

De PATIO-studie onderzoekt het toepassen van een opvlamming-predictiemodel tijdens het afbouwen van biologicals bij patiënten met reumatoïde artritis. Doel is om het risico op een opvlamming van ziekte-activiteit tijdens afbouwen te verminderen. De studie is inmiddels goed van start. In deze studie hebben wij in de opstartfase vertraging opgelopen. Dit kwam enerzijds omdat de nieuwe Europese ‘Medical Device Regulation’ van kracht werd, en hierdoor de beoordeling van de software als medisch hulpmiddel zeer werd vertraagd. Daarnaast hebben we ook de gevolgen van COVID bemerkt in ons onderzoek, bijvoorbeeld doordat deelnemende ziekenhuizen een stop hadden op het starten van nieuwe onderzoeken. Sinds de start van PATIO in het UMC Utrecht lopen de inclusies echter vlot, en zijn er nu ook 5 andere centra van start, waarin ook al de eerste patiënten zijn geïncludeerd. We verwachten hierdoor dat de inclusie vlot zal verlopen, en dat we de opgelopen vertraging grotendeels kunnen herstellen.

Resultaten
Dit item is dichtgeklapt
Dit item is opengeklapt

Bij positieve resultaten van de PATIO trial zou afbouwen van biologicals veiliger gedaan kunnen worden, wat het vertrouwen van reumatologen en patiënten in het afbouwen kan vergroten. Dit verbetert ook de kosteneffectiviteit van deze dure medicijnen.

De studie is inmiddels goed van start met 27 inclusies in het UMC Utrecht (boven target) en 5 deelnemende centra die ook gestart zijn en al enkele inclusies hebben: Meander MC, Sint Antonius Ziekenhuis, Medisch Spectrum Twente, ReumaZorg Zuid West Nederland en de Sint Maartenskliniek Nijmegen. Opvallend is dat deelnemende centra erg positief zijn over deelname aan de studie die een van de eerste studies is waarin een predictiemodel wordt toegepast in de praktijk.

Bij de PATIO-studie en gerelateerdeIMPACT-studie (opgezet binnen de PATIO studie groep) zijn patiënten op veel verschillende manieren betrokken. Naast input van patiënten bij opzet van en communicatie over de studie zal ook het verloop van de studie besproken worden, waarvoor binnenkort een bijeenkomst met het patiëntenpanel zal plaatsvinden. Daarnaast zullen binnen de IMPACT-studie middels kwalitatieve onderzoeksmethoden de opvattingen en standpunten van patiënten en reumatologen mbt het gebruik van beslissingsondersteuning op basis van voorspellende modellen worden geïnventariseerd en worden meegenomen om de implementatie van dergelijke modellen in de praktijk te optimaliseren. We zullen de resultaten van deze studie dan ook publiceren zodat dit ook als leidraad kan dienen voor andere projecten waarin een voorspellend computermodel wordt gebruikt in de klinische praktijk.

Tot slot is de ontwikkeling, validatie en impact simulatie van het binnen de PATIO gebruikte voorspelmodel gepubliceerd en is er een publicatie ingediend over de het PATIO-studieprotocol.

Samenvatting van de aanvraag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

Treatment of Rheumatoid Arthritis (RA) has improved markedly, with many patients on biologic (b)DMARDs nowadays reaching and maintaining a low level of disease activity. This raises the question whether bDMARD dose can be reduced (tapering) to prevent AE's and high drug costs. Recent studies have shown that tapering of bDMARDs guided by disease activity is indeed possible, but at an increased risk of losing remission status and time in sustained disease control. No clear predictors for successful dose reduction exist. These are likely reasons for the fact that tapering is not performed frequently, although recommended in guidelines.

To improve the risk-benefit ratio of tapering we developed and validated a so-called dynamic prediction model using machine learning to predict the probability of a flare occurring within 3 months (i.e. typical time to next clinic visit). This model uses an indivudual patients' course of disease activity during the process of dose reduction to predict a flare repeatedly at every clinic visit. Simulation of the use of these predictions to guide dose-reduction showed potential to maintain most of the reduction in bDMARD dose with a significant reduction in flares.

Here we will develop a decision aid tool for real-time implementation of a dose reduction strategy using our predictions, compare the impact of this strategy with the current standard of disease activity guided dose reduction in a randomized clinical trial, and use the obtained data to further develop the model to enable the use of home-based monitoring device data on disease activity next to the clinical disease activity measurements. This last step could improve the models performance and usefulness in combination with eHealth solutions for the future.

Naar boven
Direct naar: InhoudDirect naar: NavigatieDirect naar: Onderkant website