Un meilleur suivi des patients PR grâce aux bracelets connectés
La polyarthrite rhumatoïde (PR) fait partie de ces affections dont le traitement est échelonné en plusieurs lignes, en fonction de chaque patient (surtout du niveau d'activité de sa maladie et des éventuels effets indésirables). La réponse thérapeutique est évidemment un facteur clé de l'évaluation, mais elle n'est pas toujours simple à définir et l'aide de devices, permettant la collecte de données au quotidien, pourrait théoriquement être d'une grande utilité.
On pense principalement aux actigraphes qui, en complément des observations auto-rapportées sous forme électronique par le patient (ePRO), pourraient générer des données en temps réel, ainsi qu'en conditions réelles (real world data) utilisables en pharmaco-épidémiologie. Cependant, jusqu'ici, la valeur ajoutée de cette stratégie restait à démontrer pour la PR et d'autres pathologies musculosquelettiques.
Lors de l'ACR Convergence 2024, le Pr Jeffrey Curtis (Université d'Alabama, à Birmingham) a présenté les résultats d'une étude prospective menée dans 28 cliniques de rhumatologie aux États-Unis, et incluant des patients atteints de PR qui débutaient un traitement par upadacitinib (un inhibiteur des Janus kinases, JAK) ou par adalimumab (un anticorps anti-TNF). Les patients ont fourni plusieurs ePRO via une application pour smartphone (PatientSpot) sur base quotidienne, hebdomadaire et mensuelle (durée moyenne de 2 minutes par jour) depuis le début de l'étude jusqu'à une visite de suivi environ 3 à 4 mois plus tard.
Les auteurs ont intégré ces données, avec et sans celles délivrées par l'actigraphie de type montre-bracelet fourni dans le cadre de l'étude (Fitbit Versa 3), dans des modèles d'apprentissage automatique (machine learning, ML) pour vérifier si les patients atteignaient le stade de faible activité de la maladie (low disease activity, LDA) ou une rémission (indice d'activité de la maladie clinique <10), tel qu'évalué par un rhumatologue lors de la visite de suivi.
Un total de 150 patients ont terminé l'étude, 96 d'entre eux ayant pu fournir des données d'actigraphie. Ils étaient 62% à être en LDA ou en rémission.
Avec les seules données ePRO, le meilleur modèle de ML testé a atteint une valeur prédictive positive de 86% et une sensibilité de 75%. Six ePRO ont été nécessaires pour une performance correcte. En y ajoutant les données passives d'actigraphie, les performances étaient légèrement meilleures (respectivement 86% et 83%), tout en nécessitant moins de données ePRO.
Pour les auteurs, la combinaison d'un minimum de données activement fournies par les patients PR et des données fournies passivement par un actigraphe représente une piste intéressante pour une meilleure évaluation globale de la réponse thérapeutique aux nouveaux traitements de la PR, ainsi qu'à l'optimisation du suivi individuel. Un point important, quand on sait que le retard éventuellement mis à adapter le traitement de cette maladie peut engendrer des lésions irréversibles.
Source:
-Use of Machine Learning to Evaluate Incremental Value of Actigraphy Data for Classifying Treatment Response in Patients with Rheumatoid Arthritis. Jeffrey Curtis et al.
