Gjennombrudd i medikamentalternativer for inflammatoriske hudsykdommer

A HOLD FreeRelease | eTurboNews | eTN
Written by Linda Hohnholz

AMPEL BioSolutions kunngjør i dag et gjennombrudd innen presisjon og personlig medisin som kan revolusjonere måten leger behandler inflammatoriske hudsykdommer, som lupus, psoriasis, atopisk dermatitt og sklerodermi. Avslørt i det fagfellevurderte tidsskriftet Science Advances, beskriver artikkelen AMPELs banebrytende maskinlæringstilnærming for å karakterisere sykdomsaktivitet fra genuttrykksdata hentet fra pasienthudbiopsier. Laboratorietesten, kun et konsept for de siste årene, er nå klar for utvikling for praktisk bruk. AMPELs første fokus var Lupus, men testen kan brukes for mange autoimmune eller inflammatoriske hudsykdommer som rammer mer enn 35 millioner amerikanere.

AMPELs innovative maskinlæringstilnærming, som nå er klar til å utvikles som en beslutningsstøttende biomarkørtest, kan ha stor innvirkning på helsevesenet ved å la leger identifisere årsaken til pasientens sykdomssymptomer og velge passende behandling mer presist. AMPELs tilnærming er tilstrekkelig sensitiv til å oppdage endringer i klinisk uinvolvert hud slik at tidlig intervensjon kan forhindre systemiske oppblusser og hudskader som er synlige i lesjoner. Anvendelsen av AMPELs maskinlæringstilnærming kan også hjelpe farmasøytiske selskaper i medikamentutvikling og kliniske studier.

Pasienter med kroniske hudsykdommer lider ofte av uforutsigbar sykdomsaktivitet som påvirker daglige aktiviteter som arbeid og familieliv. Siden uforutsigbare symptomer ofte resulterer i turer til legevakten, har evnen til å forutsi forverret sykdom og systemisk involvering med rutinemessige hudbiopsier viktige helsemessige og helseøkonomiske implikasjoner.

Sammen med AMPELs pipeline av verktøy for å analysere svært store og komplekse kliniske datasett ("Big Data"), er AMPELs maskinlæringsprogram et viktig skritt mot å implementere en rutinemessig hudtest for å overvåke sykdomsaktivitet og gi beslutningsstøtte for behandling basert på en pasients gen uttrykk. Dette vil forvandle måten leger behandler kroniske hudsykdommer ved å bruke informasjonen som er samlet inn av laboratorietesten og analysert ved maskinlæring for å diagnostisere, karakterisere de nøyaktige molekylære abnormitetene og behandle hudsykdommer før skaden begynner, og spare pasienter fra smerte og ulempe ved en sykdom som ellers påvirker livet deres drastisk.

Farmasøytiske selskaper tester legemidler i kliniske studier og står overfor utfordringen med å melde inn pasienter som har det beste potensialet til å svare på behandlingen som testes. Registrering av "feil" pasienter kan føre til feil i forsøket, som ofte fører til kansellering av et legemiddels utvikling mot FDA-godkjenning som kan ha fordeler i en undergruppe av den totale pasientpopulasjonen. AMPELs hudtest vil hjelpe farmasøytiske selskaper med å identifisere pasientene som er mest sannsynlige til å reagere på spesifikke behandlinger, og dermed bidra til å forbedre resultatene i kliniske studier.

Dr. Peter Lipsky, Chief Medical Officer og medgründer, AMPEL BioSolutions: "Det er foreløpig ingen annen applikasjon som nøyaktig kan forutsi sykdomsaktivitet og foreslå passende behandlinger, og vi er veldig oppmuntret av dette gjennombruddet rapportert i Science Advances. For pasienter som lider av kroniske hudsykdommer, kan ikke meningsfull innovasjon innen behandlinger komme raskt nok. Etter utviklingen av vårt maskinlæringskonsept kan vi nå gå videre i samarbeid med partnerne våre for å utvikle denne hudtesten som kan forandre måten leger kan hjelpe pasienter med kronisk hudsykdom med å håndtere tilstanden sin ved å tilby bedre og mer presise behandlinger basert på individuelle pasientdata i stedet for en generell tilnærming."

Dr. Amrie Grammer, Chief Scientific Officer og medgründer, AMPEL BioSolutions: ""Teamet vårt har utviklet et verktøy som kan tenkes å forandre måten pasienter med hudsykdommer behandles på. Som et presisjonsmedisinselskap endrer AMPEL paradigmet for behandling av autoimmune og inflammatoriske sykdommer. Vi er stolte over å utføre dette arbeidet i Virginia og vil fortsette å rekruttere talenter og utvide virksomheten vår her."

Dr. Wright Caughman, professor, Institutt for dermatologi, Emory School of Medicine og Exec VP for Health Affairs (emeritus), Emory University: «AMPELs svært innovative hudbiopsitest vil gi et utmerket nytt verktøy for diagnostisering og behandling av autoimmune og inflammatoriske sykdommer i huden. AMPEL presenterer dette arbeidet på Society for Investigative Dermatology-møtet senere denne måneden. Når AMPELs kliniske genomiske test er CLIA-sertifisert, vil leger raskt kunne identifisere de beste medisinene for hver enkelt pasient og oppnå raskere og sikrere kontroll over sykdommen deres."

HVA SKAL TA BORT FRA DENNE ARTIKKELEN:

  • Dette vil forvandle måten leger behandler kroniske hudsykdommer ved å bruke informasjonen som er samlet inn av laboratorietesten og analysert ved maskinlæring for å diagnostisere, karakterisere de nøyaktige molekylære abnormitetene og behandle hudsykdommer før skaden begynner, og spare pasienter fra smerte og ulempe ved en sykdom som ellers drastisk påvirker livene deres.
  • Sammen med AMPELs pipeline av verktøy for å analysere svært store og komplekse kliniske datasett ("Big Data"), er AMPELs maskinlæringsprogram et viktig skritt mot å implementere en rutinemessig hudtest for å overvåke sykdomsaktivitet og gi beslutningsstøtte for behandling basert på en pasients gen uttrykk.
  • Etter utviklingen av vårt maskinlæringskonsept kan vi nå gå videre i samarbeid med partnerne våre for å utvikle denne hudtesten som kan forandre måten leger kan hjelpe pasienter med kronisk hudsykdom med å håndtere tilstanden sin ved å tilby bedre og mer presise behandlinger basert på individuelle pasientdata i stedet for en generell tilnærming.

<

Om forfatteren

Linda Hohnholz

Ansvarlig redaktør for eTurboNews basert i eTN HQ.

Bli medlem!
Varsle om
gjest
0 Kommentar
Inline tilbakemeldinger
Se alle kommentarer
0
Vil elske tankene dine, vennligst kommenter.x
()
x
Del til...