Comparing Ordered Logistic Regression and Random Forest for Predicting Lacosamide Trough Concentration Tiers in a Real-World Cohort: A Methodological Cautionary Study

In der Welt der Medizin wirken manche Medikamente wie ein präziser Schlüssel, der in ein Schloss passt, während andere sich eher wie Wasser verhalten, das in einen Eimer gegossen wird, dessen Loch sich für jeden Menschen in der Größe verändert. Lacosamid ist eines jener Medikamente, die von Patient zu Patient stark variieren. Es ist ein Medikament zur Kontrolle von Krampfanfällen, und Ärzte verlassen sich auf einen Prozess namens therapeutisches Drug Monitoring, um sicherzustellen, dass die Menge des Medikamentss im Blut eines Patienten genau richtig ist. Wenn der Spiegel zu niedrig ist, könnten die Anfälle zurückkehren; wenn er zu hoch ist, könnte der Patient unter Nebenwirkungen leiden. Die Herausforderung besteht darin, dass dieselbe Dosis bei verschiedenen Menschen nicht das gleiche Blutniveau erzeugt. Faktoren wie Alter, Körpergewicht und ob ein Patient andere Medikamente einnimmt, können das Gleichgewicht alle verschieben. Jahrelang hofften Ärzte, dass sie durch die Einspeisung dieser bekannten Fakten in einen Computer genau vorhersagen könnten, wo der Wirkstoffspiegel eines Patienten liegen würde, was eine perfekte, personalisierte Dosierung von Beginn an ermöglichen würde.

Ein Forscherteam der Zhejiang University School of Medicine beschloss, diese Hoffnung mit einem großen, realen Experiment zu testen. Sie sammelten Daten von fast tausend Patienten, die von Kleinkindern bis hin zu älteren Erwachsenen reichten und deren Lacosamid-Spiegel in einem einzelnen Krankenhaus überprüft wurden. Die Forscher wollten sehen, ob sie zwei verschiedene Arten mathematischer Werkzeuge nutzen konnten, um diese Patienten in drei Gruppen einzuteilen: jene mit niedrigen Wirkstoffspiegeln, jene mit Spiegeln im sicheren, therapeutischen Bereich und jene mit Spiegeln, die zu hoch waren. Das eine Werkzeug war eine traditionelle statistische Methode namens ordinale logistische Regression, die nach geradlinigen Beziehungen zwischen Faktoren wie dem Alter und den Wirkstoffspiegeln sucht. Das andere war eine Machine-Learning-Technik namens Random Forest, ein komplexeres System, das versucht, verborgene Muster und Verbindungen zu finden, die eine einfache Mathematik vielleicht übersieht. Das Ziel war es zu sehen, ob eines der beiden Werkzeuge in der Lage wäre, die Wirkstoffkategorie eines Patienten basierend auf einem einzigen Bluttest und einer Liste routinemäßiger Details wie seinem Gewicht und anderen Medikamenten genau zu erraten.

Die Forscher speisten die Computersysteme mit einem spezifischen Satz an Informationen für jeden Patienten: ihrem Alter, Geschlecht, Körpergewicht, der Dosis an Lacosamid, die sie einnahmen (angepasst an ihr Gewicht), ob sie andere Antiepileptika einnahmen, die dafür bekannt sind, den Stoffwechsel des Körpers zu beschleunigen, und wie viele andere Antiepileptika sie gleichzeitig einnahmen. Sie definierten die „anderen Medikamente“ sehr sorgfältig und betrachteten nur Rezepte, die innerhalb einer Woche vor dem Bluttest eingelöst wurden, um sicherzustellen, dass das Timing übereinstimmte. Sie teilten ihre Daten dann auf, wobei sie den Großteil davon nutzten, um die Modelle zu trainieren, und den Rest, um zu testen, wie gut die Modelle bei Patienten performten, die sie noch nie zuvor gesehen hatten. Die Ergebnisse waren eindeutig und für diejenigen, die auf eine schnelle computergestützte Lösung hofften, etwas enttäuschend. Weder das traditionelle statistische Modell noch das fortschrittliche Machine-Learning-System konnten die Wirkstoffspiegel mit einer nützlichen Genauigkeit vorhersagen. Die Modelle schnitten nur geringfügig besser ab als ein zufälliges Raten. Obwohl das Machine-Learning-Modell das traditionelle Modell um eine kleine Marge übertraf, erreichten beide nicht das Maß an Zuverlässigkeit, das für klinische Entscheidungen erforderlich wäre.

Trotz des Scheiterns bei der Vorhersage individueller Werte deckte die Studie ein sehr spezifisches und zuverlässiges Signal auf. Die Forscher fanden heraus, dass der Lacosamid-Spiegel signifikant niedriger war, wenn ein Patient bestimmte andere Antiepileptika einnahm, die den Stoffwechsel beschleunigen. Dieser Effekt war stark genug, um selbst dann detektiert zu werden, als die Modelle mit allem anderen kämpften. Die Daten zeigten, dass Patienten, die diese interagierenden Medikamente einnahmen, etwa halb so hohe Chancen hatten, einen hohen Wirkstoffspiegel aufzuweisen, im Vergleich zu denen, die dies nicht taten. Dies bestätigte eine bekannte biologische Tatsache: Diese spezifischen Medikamente wirken wie ein chemischer Beschleuniger, der das Lacosamid schneller aus dem Körper entfernt. Dieser einzelne Faktor reichte jedoch nicht aus, um die gesamte Vorhersage zum Erfolg zu führen. Die Modelle konnten die enorme Menge an anderer Variation, die zwischen Menschen existiert, nicht berücksichtigen.

Die Studie legt nahe, dass das Problem nicht die Art der Mathematik ist, sondern die Natur der Daten selbst. Ein einzelner Bluttest enthält, egal wie viele Details an ihn angehängt werden, nicht genügend Informationen, um vorherzusagen, wo ein Patient seinen Wirkstoffspiegel erreichen wird. Die Forscher merkten an, dass Faktoren, die sie nicht messen konnten – wie etwa ob ein Patient sein Medikament tatsächlich wie vorgeschrieben einnahm oder genetische Unterschiede in der Art und Weise, wie ihre Leber Medikamente verarbeitet – wahrscheinlich eine große Rolle spielen. Das Machine-Learning-Modell fand keine geheimen Muster, die das einfachere Modell übersehen hatte; beide stimmten darin überein, dass das Alter und die gewichtsangepasste Dosis die wichtigsten Faktoren waren, doch selbst diese waren unzureichend. Die Studie bestätigte auch, dass die Beziehung zwischen Alter und Wirkstoffspiegel nicht für jeden gleich ist, wobei Kinder eine engere Verbindung zwischen der erhaltenen Dosis und dem erreichten Spiegel zeigen als Erwachsene, die viel unvorhersehbarere Ergebnisse aufweisen.

Letztlich dient die Forschung als Warnung für das Feld der personalisierten Medizin. Sie zeigt, dass wir zwar über leistungsstarke Werkzeuge zur Analyse von Daten verfügen, aber noch nicht in der Lage sind, komplexe biologische Ergebnisse aus einer einzigen Momentaufnahme vorherzusagen. Die Vorstellung, dass ein Computeralgorithmus einem Arzt anhand eines routinemäßigen Bluttests und einiger grundlegender Fakten sofort die perfekte Dosis nennen könnte, wird durch diese Evidenz nicht gestützt. Stattdessen verstärken die Ergebnisse die Notwendigkeit für Ärzte, sich auf eine sorgfältige Beobachtung über einen längeren Zeitraum zu verlassen und zu beobachten, wie sich die Werte eines Patienten bei wiederholten Tests verändern. Die einzige klare Regel, die sich herausstellte, ist: Wenn ein Patient spezifische interagierende Medikamente einnimmt, wird sein Spiegel wahrscheinlich niedriger sein, und dies muss manuell berücksichtigt werden. Für den Rest erfordert der Weg zu einer wirklich individualisierten Dosierung mehr als nur bessere Software; er erfordert einen tieferen Blick auf die Krankengeschichte des Patienten, seine Genetik und seine tatsächliche Therapietreue, gesammelt über einen langen Zeitraum statt in einem einzigen Moment.