AMPEL BioSolutions днес обявява пробив в прецизната и персонализирана медицина, която може да революционизира начина, по който лекарите лекуват възпалителни кожни заболявания, като лупус, псориазис, атопичен дерматит и склеродермия. Разкрит в рецензираното списание Science Advances, документът описва пробивния подход на AMPEL за машинно обучение за характеризиране на активността на заболяването от данни за генна експресия, получени от кожни биопсии на пациента. Лабораторният тест, само концепция за последните няколко години, вече е готов за разработка за практическа употреба. Първоначалният фокус на AMPEL беше Лупус, но тестът може да се използва за много автоимунни или възпалителни кожни заболявания, които засягат повече от 35 милиона американци.
Иновативният подход за машинно обучение на AMPEL, който вече е готов да бъде разработен като тест за биомаркер за подкрепа на вземане на решения, може да повлияе значително на здравеопазването, като позволи на лекарите да идентифицират причината за симптомите на заболяването на пациента и да изберат по-точно подходящо лечение. Подходът на AMPEL е достатъчно чувствителен за откриване на промени в клинично незасегната кожа, така че ранната интервенция може да предотврати системни пристъпи и увреждане на кожата, видимо в лезиите. Прилагането на подхода за машинно обучение на AMPEL може също да помогне на фармацевтичните компании в разработването на лекарства и клиничните изпитвания.
Пациентите с хронични кожни заболявания често страдат от непредвидима болестна активност, която засяга ежедневните дейности като работа и семеен живот. Тъй като непредвидимите симптоми често водят до пътувания до спешното отделение, способността да се предскаже влошаване на заболяването и системно участие с рутинни кожни биопсии има важни последици за здравеопазването и икономиката на здравето.
В съчетание с набора от инструменти на AMPEL за анализиране на много големи и сложни набори от клинични данни („Големи данни“), програмата за машинно обучение на AMPEL е значителна стъпка към прилагането на рутинен кожен тест за наблюдение на активността на заболяването и предоставяне на подкрепа за вземане на решения за лечение въз основа на гена на пациента. изразяване. Това ще трансформира начина, по който лекарите лекуват хронични кожни заболявания, като използват информацията, събрана от лабораторния тест и анализирана чрез машинно обучение, за диагностициране, характеризиране на точните молекулярни аномалии и лечение на кожни заболявания, преди да започне увреждането, спасявайки пациентите от болка и неудобство от заболяване, което иначе драстично се отразява на живота им.
Фармацевтичните компании тестват лекарства в клинични изпитвания и са изправени пред предизвикателството да включат пациенти, които имат най-добър потенциал да отговорят на тестваното лечение. Включването на „грешните“ пациенти може да доведе до неуспех на изпитването, често води до отмяна на разработката на лекарството към одобрение от FDA, което може да има полза в подгрупа от общата популация пациенти. Кожният тест на AMPEL ще помогне на фармацевтичните компании да идентифицират пациентите, които най-вероятно ще отговорят на специфични лечения, като по този начин ще помогне за подобряване на резултатите от клиничните изпитвания.
Д-р Питър Липски, главен медицински директор и съосновател, AMPEL BioSolutions: „В момента няма друго приложение, което да може точно да предскаже активността на заболяването и да предложи подходящи лечения и ние сме много окуражени от този пробив, докладван в Science Advances. За тези пациенти, страдащи от хронични кожни заболявания, значимите иновации в лечението не могат да дойдат достатъчно скоро. След разработването на нашата концепция за машинно обучение, сега можем да продължим напред в работата с нашите партньори за разработване на този кожен тест, който може да промени начина, по който лекарите могат да помогнат на пациентите с хронични кожни заболявания да управляват състоянието си, като предлагат по-добри и по-прецизни лечения въз основа на индивидуалните данни за пациентите, а не общ подход."
Д-р Амри Грамър, главен научен директор и съосновател, AMPEL BioSolutions: „“Нашият екип разработи инструмент, който може да промени начина, по който пациентите с кожни заболявания се лекуват. Като компания за прецизна медицина, AMPEL променя парадигмата на лечение на автоимунни и възпалителни заболявания. Горди сме, че вършим тази работа във Вирджиния и ще продължим да набираме таланти и да развиваме бизнеса си тук.”
Д-р Райт Кафман, професор, катедра по дерматология, Медицински факултет Емори и изпълнителен вицепрезидент по здравни въпроси (почетен), Университет Емори: „Изключително иновативният тест за кожна биопсия на AMPEL ще осигури отличен нов инструмент за диагностика и управление на автоимунни и възпалителни заболявания на кожата. AMPEL представя тази работа на срещата на Обществото за разследваща дерматология по-късно този месец. След като клиничният геномен тест на AMPEL бъде сертифициран от CLIA, лекарите ще могат бързо да идентифицират най-добрите лекарства за всеки отделен пациент и да получат по-бърз и по-сигурен контрол на заболяването си."
КАКВО ДА ОТНЕМЕ ОТ ТАЗИ СТАТИЯ:
- This will transform the way doctors treat chronic skin diseases by using the information gathered by the lab test and analyzed by machine learning to diagnose, characterize the precise molecular abnormalities and treat skin diseases before damage begins, saving patients from pain and inconvenience of a disease that otherwise drastically affects their lives.
- Paired with AMPEL’s pipeline of tools to analyze very large and complex clinical datasets (“Big Data”), AMPEL’s machine learning program is a significant step towards implementing a routine skin test for monitoring disease activity and providing decision support for treatment based on a patient’s gene expression.
- Following the development of our machine learning concept, we can now move forward in working with our partners to develop this skin test that could transform the way doctors can help patients with chronic skin disease manage their condition by offering better and more precise treatments based on individual patient data rather than a general approach.
