Studie der UCL zeigt zwei mögliche Subtypen der Multiplen Sklerose

Maschinelles Lernen identifiziert zwei mögliche MS-Subtypen

Eine neue Studie unter Leitung von Forschenden des University College London (UCL) deutet darauf hin, dass es zwei unterschiedliche Untertypen der Multiplen Sklerose geben könnte. Sollte sich dieses Ergebnis bestätigen, könnte es Ärztinnen und Ärzten ermöglichen, Betroffene gezielter zu versorgen.

Für die Untersuchung wertete maschinelles Lernen Daten aus Blutuntersuchungen und Hirnscans von 634 Teilnehmenden aus zwei verschiedenen klinischen Studien aus. Modelle des maschinellen Lernens werden darauf trainiert, feine Muster zu erkennen, die Menschen möglicherweise übersehen.

In den Blutproben wurde nach einem Protein namens Serum-Neurofilament-Leichtkette (sNfL) gesucht. Dieser Wert gilt als bekannter Biomarker für Erkrankungen des Nervensystems, darunter Multiple Sklerose (MS).

Die MRT-Aufnahmen erfassten unterdessen Schäden und weitere Veränderungen in verschiedenen Hirnregionen. Bei MS greift das Immunsystem des Körpers irrtümlich die schützende Hülle der Nervenzellen an. Dadurch entstehen Läsionen, die die Signalübertragung zwischen Nerven beeinträchtigen.

Zwei Muster der Multiplen Sklerose

Durch den Abgleich der Blutwerte mit den Hirnscans konnte das Modell die Patientinnen und Patienten verschiedenen Untertypen zuordnen.

Bei Personen, die als „early-sNfL“ eingestuft wurden, waren die Proteinwerte bereits früh erhöht. Zudem zeigten sich Schäden am Corpus callosum, jener Struktur, die die linke und rechte Gehirnhälfte miteinander verbindet. Dieser Subtyp schien aggressiver zu verlaufen: Bei diesen Betroffenen bildeten sich Hirnläsionen schneller als bei anderen.

Der zweite Subtyp erhielt die Bezeichnung „late-sNfL“ und schien langsamer fortzuschreiten. In dieser Gruppe zeigten sich zunächst Schrumpfungen im limbischen Kortex sowie in der tief im Gehirn liegenden grauen Substanz. Die sNfL-Werte im Blutserum begannen erst später anzusteigen.

„Durch den Einsatz eines KI-Modells in Kombination mit einem gut verfügbaren Blutmarker und MRT konnten wir erstmals zwei klare biologische Muster von MS aufzeigen“, sagt Arman Eshaghi, Neurowissenschaftler am UCL und Mitgründer von Queen Square Analytics, einem an der Forschung beteiligten Ausgründungsunternehmen.

„Dies wird Klinikern helfen zu verstehen, an welcher Stelle des Krankheitsverlaufs sich eine Person befindet und wer möglicherweise engmaschiger überwacht oder früher gezielt behandelt werden sollte.“

sNfL und MRT als kombinierte MS-Diagnostik

Das Modell des maschinellen Lernens wurde zunächst mit Daten von 189 Patientinnen und Patienten mit unterschiedlichen MS-Formen trainiert, entweder schubförmig-remittierender oder sekundär-progredienter MS. Anschließend prüften die Forschenden es an weiteren 445 Personen, bei denen die Erkrankung erst kürzlich diagnostiziert worden war.

Neurofilamente sind Proteine, die Nervenzellen im zentralen und peripheren Nervensystem stützen. Bei gesunden Menschen werden sie vergleichsweise langsam umgesetzt. Neurodegenerative Prozesse führen jedoch dazu, dass diese Proteine verstärkt in Körperflüssigkeiten gelangen, weshalb sie als mögliche Biomarker für Krankheiten und Störungen des Nervensystems gelten.

Im Blutserum ist der Unterschied leider recht gering, was die Nutzung für Diagnosen erschwert. MRT-Aufnahmen können zwar auch Muster bei der Ausbreitung von MS sichtbar machen, liefern jedoch keine Details zu den spezifischen Krankheitsmechanismen.

Die Forschenden der neuen Studie gehen davon aus, dass sich Neurofilamentwerte besser nutzen lassen, wenn sie mit weiteren Daten wie MRT-Aufnahmen kombiniert werden.

„Durch die Ergänzung um sNfL, einen etablierten Indikator für neuroaxonale Schäden, sind wir über die strukturelle Momentaufnahme hinausgegangen, die eine MRT allein liefert“, schlussfolgern die Forschenden.

Gezieltere Behandlung bei Multipler Sklerose

Derzeit werden MS und ihre Behandlung anhand der Symptome sowie des Krankheitsverlaufs klassifiziert. Die zugrunde liegenden Mechanismen werden dabei jedoch nicht berücksichtigt. Nach Ansicht des Forschungsteams könnte die kombinierte Methode Ärztinnen und Ärzten helfen, passendere Behandlungen zu empfehlen, sofern weitere Studien die Ergebnisse bestätigen.

Die Forschungsergebnisse wurden in der Fachzeitschrift Brain veröffentlicht.