Betere follow-up van RA-patiënten dankzij geconnecteerde smartwatch

De behandeling van reumatoïde artritis (RA) verschilt van patiënt tot patiënt afhankelijk van de ziekteactiviteit en de eventuele bijwerkingen. Evaluatie van de respons op de behandeling is uiteraard essentieel, maar die respons is niet altijd gemakkelijk te definiëren. Medische hulpmiddelen die gegevens verzamelen, zouden op dat vlak bijzonder nuttig kunnen zijn.

We denken daarbij hoofdzakelijk aan actigrafie in aanvulling op door de patiënt zelf gerapporteerde uitkomsten in elektronisch formaat (ePRO). Daarmee kan je in realtime gegevens genereren in de reële wereld (real world data), die dan voor farmaco-economische doeleinden kunnen worden gebruikt. De meerwaarde van die strategie was echter nog niet aangetoond bij RA en andere musculoskeletale aandoeningen.

Op de ACR Convergence 2024 heeft professor Jeffrey Curtis (Universiteit van Alabama, Birmingham) de resultaten gepresenteerd van een prospectieve studie uitgevoerd in 28 klinieken voor reumatologie in de Verenigde Staten. De studie is uitgevoerd bij RA-patiënten bij wie een behandeling werd gestart met upadacitinib (een januskinaseremmer) of adalimumab (een TNF-alfa-antagonist). De patiënten hebben dagelijks, wekelijks en maandelijks meerdere ePRO's ingevoerd via een app voor de smartphone (PatientSpot) gedurende gemiddeld 2 minuten per dag vanaf het begin van de studie tot de nacontrole ongeveer 3-4 maanden later.

De auteurs hebben die gegevens - al dan niet samen met de gegevens van een actigrafie met een smartwatch (Fitbit Versa 3) - verwerkt in een algoritme van machine learning. Het eindpunt van de studie was een geringe ziekteactiviteit (low disease activity, LDA) of remissie (klinische index van ziekteactiviteit < 10) bij evaluatie door een reumatoloog tijdens de follow-upcontrole.

150 patiënten hebben de studie afgewerkt. 96 patiënten hebben gegevens van de actigrafie gegeven. 62% van de patiënten vertoonde een geringe ziekteactiviteit of remissie.

Het beste model van machine learning gebaseerd op enkel de ePRO's had een positieve voorspellende waarde van 86% en een sensitiviteit van 75%. Er waren zes ePRO's nodig voor een correcte evaluatie. Na toevoeging van de passieve gegevens van de actigrafie waren de resultaten iets beter (respectievelijk 86% en 83%) en waren minder ePRO's nodig.

Volgens de auteurs is een combinatie van een minimum aan actief door RA-patiënten verstrekte gegevens en de gegevens van een actigrafie interessant bij het evalueren van de respons op behandeling met nieuwe geneesmiddelen voor RA en om de follow-up te verbeteren. Dat is een belangrijk punt, wetende dat de patiënt irreversibele letsels zou kunnen ontwikkelen als de behandeling niet tijdig wordt aangepast.

Referentie: Use of Machine Learning to Evaluate Incremental Value of Actigraphy Data for Classifying Treatment Response in Patients with Rheumatoid Arthritis. Jeffrey Curtis et al.