An in silico framework for evaluating PRS-guided prognostic enrichment in clinical trial design

Dit onderzoek presenteert een *in silico*-kader dat aantoont dat het gebruik van polygenische risicoscores (PRS) om proefpersonen met een hoger ziekterisico te selecteren, de statistische kracht van klinische trials verhoogt en de benodigde steekproefgrootte en studietijd aanzienlijk verkleint.

De kern

De Kern: Een Slimmere Manier om Medische Proeven te Plannen

Stel je voor dat je een grote zoektocht organiseert om een zeldzame schat te vinden. In de medische wereld is die "schat" een ziekte die tijdens een klinische proef moet ontstaan, zodat onderzoekers kunnen zien of een nieuw medicijn werkt.

Het probleem is dat deze zoektocht vaak te lang duurt en te duur is. Je moet duizenden mensen werven, jarenlang volgen, en vaak gebeurt er niets. De "schat" (de ziekte) komt gewoon te weinig voor in de groep mensen die je hebt uitgenodigd.

De auteurs van dit papier hebben een virtueel laboratorium (een computerprogramma) bedacht om te testen of we deze zoektocht kunnen versnellen door slim te kiezen wie we uitnodigen. Ze gebruiken daarvoor een nieuwe "schatkaart": het Polygenic Risk Score (PRS).

---

De Analogieën

1. De "Natuurlijke Bescherming" als Proefpersoon

In plaats van eerst een medicijn te geven en te wachten, kijken de onderzoekers naar mensen die al een natuurlijke bescherming hebben.

• De Analogie: Stel je voor dat sommige mensen van nature een onzichtbaar schild hebben tegen een bepaalde ziekte (door een speciaal gen).
• Het Experiment: In hun computermodel behandelen ze deze mensen met het "schild" alsof ze de behandelgroep zijn (ze krijgen het medicijn). De mensen zonder het schild zijn de controlegroep.
• Waarom? Omdat het schild al werkt, hoeven ze geen nieuw medicijn te ontwikkelen om te zien of het werkt. Ze kijken gewoon of de groep met het schild minder vaak ziek wordt dan de groep zonder. Dit is een "natuurlijk experiment".

2. De PRS als een "Weerbericht voor Ziektes"

De Polygenic Risk Score (PRS) is als een zeer gedetailleerd weerbericht, maar dan voor je gezondheid.

• De Analogie: Normaal gesproken kijken we naar het weer van vandaag. Maar de PRS kijkt naar je gehele genetische landschap. Het zegt: "Op basis van al je genen, heb jij een 80% kans op een storm (ziek worden) of slechts een 10% kans?"
• Het Doel: Als je een proef wilt doen over stormschade, wil je niet mensen uitnodigen die in een vallei wonen waar het nooit regent. Je wilt mensen uitnodigen die op een bergtop wonen waar altijd storm is. Dan zie je sneller of je paraplu (het medicijn) werkt.

3. De "Slimme Uitnodiging" (Verrijking)

De kern van het onderzoek is het vergelijken van twee uitnodigingsstrategieën:

• De Oude Manier (De Net): Je gooit een enorm net uit en pakt iedereen op. Je krijgt veel mensen, maar heel weinig "stormen" (ziektes). Je moet heel lang wachten.
• De Nieuwe Manier (De PRS-filter): Je gebruikt de "weerkaart" (PRS) om alleen de mensen uit te nodigen die op de bergtop wonen (hoge risico).
  • Resultaat: Je hebt minder mensen nodig, maar ze krijgen veel sneller de ziekte. Hierdoor zie je sneller of het medicijn werkt.

---

Wat Vonden Ze? (De Resultaten)

De onderzoekers testten dit model op drie verschillende ziektes: Hart- en vaatziekten, Glaucoom (oogaandoening) en Darmontsteking.

1. Het werkt vaak heel goed:
   Voor hart- en vaatziekten en darmontsteking was het effect enorm. Door alleen mensen met een hoog risico (de top 25% van de risicoscore) uit te nodigen, hadden ze 60% tot 78% minder mensen nodig om tot een duidelijk resultaat te komen. Het was alsof je in plaats van een uur wachten op een bus, nu elke minuut een bus ziet passeren.

2. Maar niet altijd (De Valstrik):
   Bij glaucoom was het een beetje anders. Als ze te streng waren en alleen de allerhoogste risico's (de allerhoogste bergtop) uitnodigden, was de groep zo klein dat ze niet genoeg mensen meer hadden om een betrouwbaar resultaat te krijgen.

   • De les: Je moet de balans vinden. Je wilt genoeg "stormen", maar je moet ook genoeg mensen hebben om te testen. Soms is een iets bredere groep (bijvoorbeeld de top 50%) beter dan de allerstrengste groep.

3. Tijd en Geld:
   Door slim te kiezen, kunnen proeven sneller klaar zijn en goedkoper worden. Je hoeft minder mensen te screenen en minder lang te wachten op ziektegevallen.

---

Waarom is dit belangrijk?

Vroeger moesten onderzoekers gissen of een proef zou slagen. Nu hebben ze een virtuele proefbaan.

• Voor de patiënt: Betekent dit dat nieuwe medicijnen sneller op de markt komen.
• Voor de maatschappij: Het bespaart miljarden aan kosten voor klinische proeven die anders mislukken omdat er te weinig ziektegevallen waren.

Samenvattend:
De onderzoekers hebben bewezen dat we onze genetische "weerkaarten" kunnen gebruiken om de juiste mensen op het juiste moment uit te nodigen voor medische proeven. Het is alsof we stoppen met het zoeken naar een naald in een hooiberg en in plaats daarvan gewoon naar de plek gaan waar de naald ligt. Dit maakt het vinden van nieuwe geneesmiddelen sneller, goedkoper en slimmer.

Technische samenvatting

Probleemstelling

Klinische trials, de gouden standaard voor het evalueren van therapeutische interventies, staan onder druk door toenemende kosten en tijdsinvesteringen. Een hoofdoorzaak is de onnauwkeurigheid van opnamecriteria, wat leidt tot lage incidentiepercentages van de primaire eindpunten (bijv. ziekte-voorvallen). Om voldoende statistische power te bereiken, zijn vaak enorme steekproefgrootten en lange follow-upperiodes nodig. Hoewel er enorme hoeveelheden klinische, genomische en biologische data beschikbaar zijn, worden deze niet optimaal benut bij het werven van proefpersonen. Bestaande strategieën voor "prognostische verrijking" (het selecteren van patiënten met een hoger ziekterisico) zijn vaak beperkt tot retrospectieve analyses van reeds afgeronde trials of focussen op één specifieke ziekte, waardoor er geen algemeen toepasbaar kader bestaat voor het proactief ontwerpen van nieuwe trials.

Methodologie

De auteurs hebben een in silico (computermodel) kader ontwikkeld om de effectiviteit van prognostische verrijking geleid door polygenische risicoscores (PRS) te evalueren voordat een trial begint. Het onderzoek maakt gebruik van data uit de UK Biobank (White British populatie) en combineert deze met twee kernconcepten:

1. Natuurlijke Experimenten: De studie gebruikt natuurlijk voorkomende beschermende genetische varianten (loss-of-function mutaties) als proxy's voor therapeutische interventies.
   • Behandelarm: Dragers van de beschermende variant.
   • Controlearm: Niet-dragers.
   • Dit simuleert een trial waarbij de variant de werking van een medicijn nabootst (bijv. PCSK9-remming).
2. PRS-Stratificatie: De populatie wordt gesplitst op basis van polygenische risicoscores (PRS) voor de betreffende ziekte. Er worden vier ontwerpen vergeleken:
   • Unenriched: De volledige populatie.
   • Enriched: Beperkt tot de bovenste 75%, 50% en 25% van de PRS-verdeling.

Selectiecriteria en Analyse:
De auteurs selecteerden ziekte-gen-paren op basis van een "joint information score" ($\Psi$), die rekening houdt met:

• De significantie van het verschil in ziekteprevalentie tussen dragers en niet-dragers.
• De sterkte van de associatie tussen PRS en ziekte.
• De behoud van statistische significantie binnen de verrijkte strata (om te voorkomen dat te strenge selectie leidt tot te weinig steekproefgrootte).

Vervolgens werden de volgende parameters berekend voor drie geselecteerde ziekte-scenario's:

• Ziekteprevalentie in dragers vs. niet-dragers binnen elke PRS-stratum.
• Benodigde steekproefgrootte per arm om een bepaalde power (60-85%) te bereiken.
• Empirische power via bootstrap-simulaties.
• Voorspelde tijd tot het optreden van voorvallen (event accrual) via Restricted Mean Survival Time (RMST) analyses.

Geselecteerde Ziekte-Gen Paren:

1. CAD-PCSK9: Coronair arteriële ziekte en het p.Arg46Leu variant in PCSK9.
2. Glaucoom-ANGPTL7: Glaucoom en het p.Gln175His variant in ANGPTL7.
3. IBD-IL23R: Ontstekings darmziektes (IBD) en het p.Arg381Gln variant in IL23R.

Belangrijkste Resultaten

• Verhoogde Ziekteprevalentie en Power: In alle drie de ziektecontexten leidde PRS-gebaseerde verrijking tot een hogere ziekteprevalentie in de geselecteerde groepen en een verbeterde empirische power ten opzichte van niet-verrijkte cohorts.
• Reductie in Steekproefgrootte:
  • Voor CAD-PCSK9: Beperking tot de bovenste 25% van de PRS-verdeling reduceerde de benodigde steekproefgrootte per arm met ongeveer 60% (van ~6.100 naar ~2.400) bij 80% power.
  • Voor IBD-IL23R: De reductie was nog drastischer, met ongeveer 78% (van ~51.700 naar ~11.100 per arm).
  • Voor Glaucoom-ANGPTL7: De reductie was bescheidener (~30%). Interessant genoeg leverde de meest strenge selectie (Top 25%) hier geen extra voordelen op ten opzichte van de Top 50%, omdat de steekproefgrootte te klein werd om een significant verschil tussen dragers en niet-dragers te detecteren.
• Kosten en Tijd:
  • De geschatte totale trialkosten daalden aanzienlijk bij verrijkte designs (tot 69,5% reductie voor IBD), vooral als genetische data al beschikbaar waren.
  • De tijd tot het verzamelen van voldoende voorvallen (event accrual) nam af; verrijkte groepen bereikten de doelstelling sneller, hoewel de absolute verkorting van de follow-uptijd gematigd was (enkele maanden).
• Context-Afhankelijkheid: De optimale drempel voor PRS is ziekte-specifiek. Te strenge selectie kan contraproductief zijn als de populatie te klein wordt om het therapeutisch effect statistisch significant te maken (zoals gezien bij Glaucoom).

Bijdragen en Significance

1. Proactief Ontwerpkader: Dit artikel introduceert het eerste generieke, data-gedreven kader om PRS-geleide verrijking prospectief te evalueren voordat een trial start, in plaats van alleen retrospectief te kijken naar bestaande data.
2. Validatie van Genetische Proxies: Het bewijst dat natuurlijke beschermende varianten effectief kunnen worden gebruikt om de efficiëntie van toekomstige trials te simuleren en te optimaliseren.
3. Operationele Inzichten: De studie benadrukt dat er een afweging nodig is tussen het verrijken van het cohort voor hoger risico en het behouden van een voldoende grote populatie voor rekrutering. Er is geen "one-size-fits-all" drempel; de optimale PRS-cutoff hangt af van de ziekteprevalentie, de genetische architectuur en de kostenstructuur van de trial.
4. Toekomstperspectief: Naarmate genomische data in zorgsystemen en biobanken steeds normaler worden, biedt dit kader een schaalbare basis voor het integreren van genetische risicoinformatie in het ontwerp van klinische trials. Dit kan leiden tot goedkopere, snellere en succesvollere trials, hoewel er aandacht blijft voor de generaliseerbaarheid van resultaten naar bredere populaties buiten de verrijkte groep.

Conclusie:
De auteurs concluderen dat PRS-geleide prognostische verrijking een krachtige strategie is om de efficiëntie van klinische trials te verbeteren. Door gebruik te maken van bestaande biobank-data en natuurlijke genetische varianten, kunnen onderzoekers nu kwantitatief voorspellen hoe verrijking de steekproefgrootte, power en kosten zal beïnvloeden, waardoor trials beter toegerust zijn om therapeutische effecten te detecteren.