Fenotipizzazione della progressione nella sclerosi multipla

Questo progetto ha lo scopo di identificare le caratteristiche cliniche e di risonanza magnetica in grado di predire distinti profili di progressione della disabilità nella sclerosi multipla. Il nostro obiettivo primario è caratterizzare i profili di disabilità attraverso un approccio data-driven ed identificare le caratteristiche cliniche e risonanza convenzionali con il più robusto potenziale predittivo per questi profili di disabilità. Inoltre, come obiettivo secondario, miriamo a valutare l'effetto delle diverse strategie di trattamento su questi ultimi. I pazienti da includere dovranno avere una valutazione clinica (valutazione della Scala di Stato di Disabilità Espansa (EDSS), numero di riacutizzazioni, trattamento in corso per la modifica della malattia) e valutazione di risonanza magnetica (numero di lesioni iperintense T2 o lesioni con gadolinio) all’esordio di malattia e ad ogni visita disponibile. Saranno utilizzati modelli misti per outcome longitudinali per identificare i profili di disabilità, mentre un approccio machine learning sarà utilizzato per identificare i predittori di questi profili. Per il nostro obiettivo secondario, testeremo e confronteremo l'effetto delle diverse strategie di trattamento sulla probabilità di appartenenza ai specifici fenotipi di progressione della disabilità.

---

Introduzione e obiettivi L’accumulo di disabilità nella SM a esordio recidivante varia notevolmente tra gli individui. Questo studio ha applicato modelli a classi latenti sui dati longitudinali dell’EDSS di 2.563 pazienti non trattati del Registro Italiano SM per identificare e caratterizzare fenotipi omogenei di peggioramento della disabilità.
Risultati I fenotipi più aggressivi, caratterizzati da esordio precoce o rapido peggioramento, presentavano un punteggio alla Expanded Disability Status Scale (EDSS) più elevato all’esordio, maggiore carico lesionale alla risonanza magnetica (RM) e più frequente coinvolgimento midollare. Il modello, validato mediante cross-validation, è stato applicato a 2.952 pazienti trattati con terapie modificanti il decorso della malattia (DMT), selezionati tramite propensity score. Un algoritmo di machine learning basato su random forest ha predetto il fenotipo con un’accuratezza del 71%. L’analisi dei meccanismi di peggioramento della disabilità ha evidenziato una predominanza della progressione indipendente dall’attività di ricaduta (PIRA) in tutti i fenotipi, mentre nei pazienti con decorso rapidamente progressivo era maggiore la quota di peggioramento associato alle ricadute (RAW), suggerendo un ruolo rilevante dell’infiammazione nelle fasi iniziali. I DMT ad alta efficacia, utilizzati precocemente o dopo escalation, hanno ridotto significativamente la progressione della disabilità, soprattutto nei fenotipi più gravi. Infine, lo “z-score di disabilità” ha permesso di quantificare individualmente la deviazione dalla traiettoria di disabilità attesa, offrendo un possibile indicatore personalizzato della risposta al trattamento.
Conclusioni Sebbene il modello richieda validazione esterna e non in cluda dati cognitivi o biomarcatori avanzati, rappresenta un approccio innovativo centrato sul paziente per ottimizzare prognosi e trattamento nella SM.

De Meo E, Addazio I, Portaccio E, Bonacchi R, Betti M, Patti F, Guerrieri S, Foschi M, Ferraro D, Annovazzi P, Brescia Morra V, Tortorella C, Lugaresi A, Camilli F, Pozzilli C, Perini P, Granella F, De Luca G, Torri Clerici VLAM, Vianello M, Romano S, Cocco EE, Lus G, Di Sapio A, Rocca MA, Simone M, Iaffaldano P, Filippi M, Trojano M, Amato MP. Disability Worsening Phenotypes in Multiple Sclerosis and Impact of Disease-Modifying Treatments. Neurology. 2025 Dec 23;105(12):e214408.