AUSTIN, TEX. – Analisis pembelajaran mesin baru dari sekelompok besar pasien migrain telah mengidentifikasi subkelompok yang berbagi sifat respons klinis dan terapeutik. Temuan ini bisa menunjukkan strategi terapi baru, menurut penulis studi Ali Ezzati, MD.
“Banyak kriteria diagnostik yang kami miliki di dunia migrain berasal dari kelompok konsensus para ahli, dan berdasarkan pengalaman mereka dan data yang tersedia. Mereka mengklasifikasikan berbagai jenis sakit kepala dan kemudian jenis migrain yang berbeda. Sayangnya, jenis ini klasifikasi tidak selalu mengarah pada kelompok yang sangat homogen,” kata Dr. Ezzati, yang mempresentasikan studi tersebut pada pertemuan tahunan American Headache Society.
Migrain umumnya dikategorikan sebagai episodik (0-14 hari sakit kepala per bulan) atau kronis (15 atau lebih per bulan), atau dengan atau tanpa aura. Tetapi kategori luas ini gagal untuk menangkap keragaman migrain yang sebenarnya, menurut Dr. Ezzati, dan ini dapat berkontribusi pada fakta bahwa respons terhadap terapi migrain berkisar sekitar 60%.
“Kami merasa bahwa kunci untuk meningkatkan kemanjuran terapi adalah dengan mengidentifikasi individu yang lebih homogen, lebih mirip satu sama lain, sehingga ketika kami memberikan pengobatan, secara khusus menargetkan patofisiologi yang mendasari yang dimiliki orang tersebut,” ujar Dr. Ezzati , yang merupakan profesor neurologi dan direktur program neuroinformatika di University of California, Irvine.
Analisis mengungkapkan beberapa hasil yang menarik secara klinis, kata Dr. Ezzati. “Misalnya, allodynia adalah gejala yang tidak secara khusus digunakan untuk klasifikasi berbagai jenis migrain. Ada kelompok tertentu yang memiliki allodynia sangat tinggi, dan mereka tidak terlalu responsif terhadap pengobatan, jadi itu mungkin a [group] bahwa orang harus fokus pada. Selain itu, kami berbicara banyak tentang komorbiditas pada migrain, tetapi kami tidak berbicara tentang bagaimana komorbiditas ini memengaruhi strategi terapeutik dan respons pengobatan terhadap pengobatan tertentu. Kami menunjukkan bahwa orang yang mengalami depresi sebenarnya kurang responsif dibandingkan kelompok lain terhadap pengobatan, terutama obat resep,” katanya.
Pembelajaran mesin mengungkapkan cluster
Para peneliti menganalisis data dari 4.423 pasien yang diambil dari American Migraine Prevalence and Prevention Study, yang dilakukan setiap tahun antara tahun 2005 dan 2009. Mereka termasuk pasien dewasa yang mengisi survei pada tahun 2006 dan 2007. Populasi penelitian adalah 83,7% wanita dan memiliki usia rata-rata 46,8 tahun, dan 6,4% mengalami migrain kronis. Para peneliti kemudian menggunakan peta pengorganisasian mandiri berbasis pembelajaran mesin untuk mengelompokkan pasien ke dalam kelompok yang serupa.
Algoritme menghasilkan lima kelompok seperti itu: Cluster 1 memiliki tingkat keparahan gejala terendah, dan 0,6% memiliki migrain kronis. Cluster 2 memiliki keparahan gejala ringan tanpa migrain kronis. Cluster 3 memiliki keparahan gejala sedang dan prevalensi allodynia yang tinggi (88,5%, vs 63,4% secara keseluruhan, P <.001) dan tidak ada migrain kronis. Cluster 4 memiliki frekuensi tinggi gejala depresi (63,1% vs 19,8% secara keseluruhan, P <.001) dan 5,2% memiliki migrain kronis. Cluster 5 mengalami migrain yang sering dan parah, dan sebagian besar (83,0%) mengalami migrain kronis (P < 0,001).
Ada beberapa tren lain yang lebih luas. Triptans lebih umum digunakan pada kelompok 2 (25,6%), 3 (27,9%), dan 5 (28,0%), tetapi lebih sedikit pada kelompok 4 (17,1%; P <.001). Kebebasan nyeri pada 2 jam paling umum di cluster 1 (53,1%), diikuti oleh cluster 2 (46,4%), tetapi secara signifikan lebih jarang di cluster 3 (32,2%), 4 (32,2%), dan 5 (34,7%; P <.001).
Implikasi terapeutik
Dr. Ezzati percaya bahwa pembelajaran mesin dan analisis data dapat menunjukkan jalan menuju masa depan terapi migrain yang lebih disesuaikan. “Saya pikir kita harus secara umum menggunakan lebih banyak bukti dan lebih banyak data untuk memberi tahu kita tentang perencanaan individual untuk pasien. Untuk itu kita memerlukan studi klinis yang lebih besar dan studi epidemiologi yang lebih besar untuk membantu kita mengidentifikasi subtipe pasien yang lebih homogen yang kita akhirnya dapat menargetkan dalam uji klinis,” katanya.
Catherine Chong, MD, yang memimpin sesi di mana penelitian dipresentasikan, memuji penelitian tersebut dalam sebuah wawancara. “Migrain episodik dan migrain kronis telah berkembang [as categories] dengan frekuensi sakit kepala per bulan, dan itu pada dasarnya berdasarkan konsensus di panitia. Mereka pada dasarnya membuat keputusan bahwa 15 hari ke bawah migrain akan menjadi migrain episodik dan lebih dari itu akan menjadi migrain kronis. Jadi mereka mendikotomikan migrain, dengan cara, berdasarkan apa yang dipikirkan orang di lapangan. Melihat data secara bebas, dan membiarkan algoritme menentukan subtipe yang berbeda, dan menempatkan semua orang dengan migrain di dalamnya, dan membuat grup ini muncul secara alami dari data, menurut saya menarik,” kata Dr. Chong.
Dia menggemakan seruan Dr. Ezzati untuk penelitian lebih lanjut yang dapat menciptakan lebih banyak lagi subkelompok. “Apakah benar seseorang dengan migrain kurang dari 15 hari [per month], bahwa 14 hari migrain akan sangat berbeda dari seseorang dengan 15 atau lebih, atau 8? Saya pikir kita perlu melihatnya lebih jauh untuk melihat apakah ada subgrup tambahan di dalam data tersebut. Saya pikir mungkin ada lebih banyak [groups identifiable] dari berbagai data yang kami miliki di luar sana,” kata Dr. Chong.
Dr. Ezzati telah berkonsultasi atau menjadi peninjau atau anggota dewan penasehat untuk Corium, Eisai, GlaxoSmithKline, Mint Research, dan Health Care Horizon Scanning System. Dia telah menerima dana penelitian dari Amgen. Dr. Chong tidak memiliki pengungkapan keuangan yang relevan.
Artikel ini awalnya muncul di MDedge.com, bagian dari Medscape Professional Network.