Wywiad z Panią Dianą Landoni z Laboratorio de Análisis Clínicos – LAC w Montevideo (Urugwaj)

W swoim badaniu „In-depth analysis of the autoantibody associations of the main nuclear patterns in HEp-2 IFA: What a general laboratory cohort has to tell us about real-life pattern–autoantibody association” analizowała Pani praktyczne korelacje między wzorcami świeceń ANA a określonymi autoprzeciwciałami. Jaki był główny cel tej analizy i co skłoniło Panią do zbadania tego zagadnienia w rzeczywistym środowisku laboratoryjnym, a nie w wyselekcjonowanej populacji klinicznej?

Muszę przyznać, że podczas studiów licencjackich dowiedziałam się mniej o autoimmunizacji i autoprzeciwciałach w kontekście klinicznym, niżbym chciała. Kiedy rozpoczęłam praktyki w laboratorium jako technik, szybko zdałam sobie sprawę, że czeka mnie sporo nauki.

Bardzo pomogła mi strona internetowa ICAP (http://www.anapatterns.org), gdzie zaczęłam poznawać wzory świeceń na komórkach HEp-2 IFA i ich korelacje z konkretnymi autoprzeciwciałami. Uczyłam się, śledząc informacje z pierwszego i drugiego poziomu na temat każdego ze wzorców AC, czytając różne publikacje i zadając pytania bardziej doświadczonym naukowcom.

Motywacją do podjęcia tego projektu były moje doświadczenia z okresu studiów magisterskich w laboratorium profesora Andradego w São Paulo. W tym czasie zrozumiałam, że powiązania między różnymi wzorcami a autoprzeciwciałami nie są tak jednoznaczne, jak mi się wydawało, zwłaszcza w warunkach ogólnego laboratorium klinicznego, co zaprowadziło mnie w ten gąszcz badań. Większość tych zależności została ustalona w wyspecjalizowanych ośrodkach akademickich, które reprezentują populacje o wysokim prawdopodobieństwie występowania choroby, dlatego podejrzewaliśmy, że nie można ich bezpośrednio przenosić na laboratoria ogólne.

Tworząc projekt moich badań magisterskich, zdecydowaliśmy się zbadać i określić siłę tych powiązań w warunkach laboratorium klinicznego. Uważamy, że nasze wyniki lepiej odzwierciedlają rzeczywistość pracy w laboratorium i mogą być przydatne dla diagnostów, patologów i klinicystów w procesie diagnostycznym chorób autoimmunizacyjnych. Krótko mówiąc, celem tego badania było wypełnienie tej luki badawczej i skupienie się na rzeczywistych doświadczeniach lekarzy i techników, którzy zlecają i wykonują tego typu badania.

Jakie były główne wyzwania, z którymi spotkała się Pani podczas analizy tak dużego zbioru danych pochodzących z rutynowych badań diagnostycznych?

Mocną stroną naszego projektu była dostępność spójnej i dobrze uporządkowanej bazy danych w laboratorium, obejmującej setki tysięcy plików z wynikami próbek badanych metodą HEp-2 IFA oraz w kierunku kilku istotnych autoprzeciwciał.

Moim największym wyzwaniem było zarządzanie tego typu danymi. Nie mając wcześniejszego doświadczenia w obsłudze programów do analizy danych, musiałam nauczyć się, jak z nich korzystać, jak interpretować wyniki oraz jak radzić sobie z faktem, że badania te nie zawsze są zlecane równocześnie – czasem dostępny jest tylko wynik testu HEp-2 IFA, a czasem tylko oznaczeń poszczególnych autoprzeciwciał.

Biorąc pod uwagę obecne trendy w zakresie cyfrowego zarządzania danymi klinicznymi, wykorzystania sztucznej inteligencji i medycyny personalizowanej, uważam, że nauka korzystania z tych narzędzi do integracji informacji nie tylko jest kluczowa, ale może również okazać się przełomowa w kontekście chorób autoimmunizacyjnych – umożliwia szybszą i dokładniejszą diagnostykę oraz lepsze wsparcie opieki nad pacjentem.

Czy na podstawie swoich obserwacji widzi Pani możliwość uproszczenia lub standaryzacji raportowania wyników ANA?

Globalne tendencje w analizie HEp-2 IFA zmierzają raczej w kierunku harmonizacji niż standaryzacji – chodzi o uzgodnienie wspólnych zasad interpretacji wzorców. Jeśli chodzi o uproszczenie, moje badania i doświadczenia nie wskazują, by było to pożądane. Uważam, że wraz z automatyzacją i specjalizacją różnych obszarów laboratoriów klinicznych specjaliści również powinni się specjalizować. Nadmierne uproszczenie może ograniczyć potrzebę dalszych badań.

Postępy ICAP w opisie nowych wzorów świeceń idą w parze z odkryciami nowych autoprzeciwciał, rozwojem technologii detekcji i badaniami nad profilami chorób – często dzięki obserwacjom w laboratoriach klinicznych. Rolą diagnostów jest śledzenie nowych badań i technologii. Warto też mieć świadomość ich ograniczeń i posiadać umiejętność jak najlepszego zastosowania ich w codziennej praktyce.

Jakie są Pani dalsze kroki badawcze – czy planuje Pani rozszerzyć tę analizę na większe, być może międzynarodowe kohorty?

Moim głównym celem jest obecnie zakończenie tego projektu, ale od początku zakładaliśmy współpracę międzynarodową, by sprawdzić, czy nasze podejście można zastosować na innych zestawach danych. Różne kohorty nie tylko byłyby przydatne dla walidacji zewnętrznej, ale mogłyby też ujawnić, jak te powiązania różnią się między populacjami o odmiennej strukturze demograficznej.

Pomysł ten wynika z braku informacji o populacjach mieszanych, szczególnie w Ameryce Łacińskiej, gdzie pacjenci mają bardzo zróżnicowane pochodzenie etniczne. Zależy nam również na wprowadzeniu nowoczesnych metod do społeczności, które są często niedostatecznie obsługiwane.

Czy widzi Pani potencjał w zastosowaniu sztucznej inteligencji (AI) do interpretacji wzorów świeceń w testach HEp-2 IFA i przewidywania ich powiązań z autoprzeciwciałami?

Tak, ale prawdopodobnie nie w sposób, o jakim myśli wielu z nas. Sztuczna inteligencja zrewolucjonizowała nasze myślenie i pracę, a automatyzacja jest świetnym rozwiązaniem, gdy myślimy o tym, jak powinny być zorganizowane procesy laboratoryjne. Jednak jako użytkownik zautomatyzowanego systemu analizy cyfrowej nie sądzę, aby interpretacja wzorców była gotowa na sztuczną inteligencję.

Obrazowanie cyfrowe jest świetne, jeśli laboratorium dysponuje cyfrową logistyką umożliwiającą przechowywanie tysięcy wysokiej jakości obrazów. Osobiście doceniam możliwość powrotu do profilu pacjenta i sprawdzenia ewolucji (lub jej braku), „jego wzorów świeceń” w teście HEp-2 IFA i miana w poprzednich testach. Jednak wzory raportowane przez to oprogramowanie nie są całkowicie dokładne. Niedawno, podczas XVII Drezdeńskiego Sympozjum na temat Autoprzeciwciał, zaprezentowano nam różne nowe wzory w ramach globalnego, przejściowego schematu AC-XX, w którym fluorescencja jest opisywana jako pojawiająca się w skupiskach komórek, przez co nie można jej zaobserwować w całym preparacie. Jeśli oprogramowanie zdecyduje się ustawić ostrość i zarejestrować obraz w niewłaściwym miejscu, technicy mogą całkowicie to świecenie pominąć. Kolejną kwestią, którą uważam za wymagającą poprawy, jest brak głębi. Ponieważ obrazy cyfrowe są dwuwymiarowe, brakuje nam takich cech jak struktury NOR we wzorach AC-29 i AC-10 czy też różnic w fakturze, które mogą pomóc nam odróżnić AC-1 od AC-30 lub AC-4, AC-31 od AC-5. Czasami próbki o wielu wzorach mogą być trudne do rozróżnienia, jeśli obraz jest rozmazany, nieostry lub niskiej jakości. Podsumowując, ponieważ jakość informacji, które przekazujemy sztucznej inteligencji, determinuje jakość analizy i informacji, które AI przekazuje nam, to jakość i dokładność pozyskiwania obrazu są kluczowe.

Uważam zatem, że ogromną wartość ma rozpoczęcie nauki stosowania sztucznej inteligencji do naszych zbiorów danych, ponieważ moglibyśmy podnieść nasze zdolności predykcyjne dotyczące związku ze specyficznymi autoprzeciwciałami. Moglibyśmy dowiedzieć się więcej o naszych własnych testach, łatwiej porównywać różne platformy i usprawnić pracę w laboratorium, korzystając po prostu z cyfrowych zbiorów danych, którymi obecnie dysponują (prawie) wszystkie laboratoria. Algorytmy można skonfigurować tak, aby integrowały wyniki z różnych grup testów i parametrów klinicznych, co prowadzi do sugestii możliwych diagnoz i podejść terapeutycznych. Zgromadzone dane, uzyskane dzięki zastosowaniu takich algorytmów, można przetwarzać za pomocą uczenia maszynowego, co udoskonali algorytmy i zwiększy ich dokładność. Ta strategia może okazać się skuteczna w oferowaniu wsparcia specjalistom w całym łańcuchu opieki zdrowotnej.

Z tym podejściem wiąże się kilka problemów, które – jestem pewna – firmy diagnostyczne rozwiążą w krótkim czasie. Istnieje wiele autoprzeciwciał oraz autoantygenów docelowych, na które ukierunkowany jest ludzki układ immunologiczny, a które wciąż nie są dostępne w komercyjnych testach do diagnostyki in vitro. Problem ten jest rozwiązywany za pomocą testów i platform ukierunkowanych na dynamikę autoprzeciwciała. Kolejna kwestia to integracja wszystkich informacji na platformie LIS, z której korzysta laboratorium. Moją ostatnią obawą jest sposób, w jaki lekarze zlecają te testy, oraz to, czy laboratoria mają niezależność w zakresie badania grupy autoprzeciwciał. Jednym z problemów, jakie napotkaliśmy w tym badaniu, jest to, że informacje mogą być nieco fragmentaryczne, ponieważ na przykład u pacjenta z SLE rzadko wykonuje się badanie na obecność przeciwciał anty-CENP-B. Idealnie byłoby, gdyby wszystkie dostępne autoprzeciwciała były badane w jednym momencie. Wraz ze wzrostem kompletności zbiorów danych sztuczna inteligencja staje się bardziej użyteczna i rośnie jej jakość, co pozwala nam gromadzić więcej informacji, lepiej je wykorzystywać, uczyć się i doskonalić.

Dziękuję za rozmowę.

Rozmawiał: Patryk Matuszek

HEp-2 IFA and Artificial Intelligence: Real-World Data vs. Expectations

Interview with Diana Landoni (Laboratorio de Análisis Clínicos – LAC, Montevideo, Uruguay)

In your study “In-depth analysis of the autoantibody associations of the main nuclear patterns in HEp-2 IFA: What a general laboratory cohort has to tell us about real-life pattern–autoantibody association,” you explored the practical correlations between ANA patterns and specific autoantibodies. What was the main objective of this analysis, and what motivated you to investigate this topic using a real-life laboratory cohort rather than a selected clinical population?

As an undergraduate student I admit I learned less than what I would have liked regarding autoimmunity and autoantibodies in a clinical setting, so when I started my in-lab training as a technician I quickly realized the learning curve was going to be steep. I became quite attached to ICAP’s web page (anapatterns.org) as I started to learn about HEp-2 IFA immunofluorescence patterns and their correlation to specific autoantibodies, following up on the first and second level information on each of the AC patterns, reading the different publications cited and asking questions to more experienced professionals and researchers.

My motivation to work on this specific project comes from my experience as a graduate student in Professor Andrade’s laboratory in São Paulo. During this period, I learned that the associations between different patterns and autoantibodies was not as clear-cut as I had thought, especially in the setting of a general clinical laboratory, which lead me into this research-rabbit hole. As most of these associations have been established in academic specialized centers, representing high pre-test probability scenarios, we suspected that they could not be extrapolated to a low pre-test probability scenario, as occurs in a general lab.

Along the period dedicated to formulating my master’s research project, we decided to investigate and determine the magnitude, or strength, of these associations in a general clinical laboratory. We think our results are closer to the reality in the lab and should be useful for analysts, pathologists, and clinicians in charge of the diagnostic investigation of patients who are thought to have a systemic autoimmune diseases. In short, the objective of this study was to fill in this research gap and focus on the real-life experience clinicians and technicians have when requesting and performing these assays.

What were the main challenges you encountered when analyzing such a large dataset from routine diagnostics?

A strong point of our project was the availability of a consistent and well-structured data bank in the laboratory, with hundreds of thousands of files from samples tested for HEp-2 IFA and for several of the relevant autoantibodies. My biggest challenge was managing this kind of data. With no formal training in using data processing programs I had to learn how to use them, how to “read” the data so to speak, how to go around the fact that many times these tests aren’t requested at the same time, so one might have the result for just the HEp-2 IFA test, or just for the specific autoantibodies, or not all of them at the same time. In view of current trends on digital clinical data-management, big data and artificial intelligence, and precision medicine, I find that learning how to use these tools to integrate information is crucial but could also be ground-breaking regarding autoimmune diseases in terms of faster and more accurate diagnosis, supporting patient care.

Do you see a potential to simplify or standardize ANA reporting based on your observations?

Global trends regarding HEp-2 IFA aim towards harmonization instead of standardization, in which professionals agree on common patterns. Regarding simplification I should say my research and personal observations have not led me in this direction. As different areas of the clinical laboratory automatize and specialize I believe professionals should too. I believe there is risk in over-simplification since it could limit the need for further research.  ICAP’s advances in characterizing new patterns comes hand-in-hand with publications regarding new autoantibody discoveries, advancement in detection technology and disease profile research, many times through clinical laboratory observations.  As analysts, it is our role to stay up to date on emerging research and technologies but also to be observant regarding their limitations and learn how to best serve our local communities.

What are your next research steps – do you plan to expand this analysis to larger, possibly international cohorts?

My main goal right now is to round up this project, but it was always one of our aims to work with colleagues internationally to see if this approach was feasible for other datasets. Different cohorts would not only be useful regarding external validation but could also shed light on how these associations might vary with different demographics. This idea stems from the lack of information there is regarding mixed populations, especially in Latin-America where we have patients with a wide range of ethnic backgrounds and from a desire to bring a more modern approach to underserved communities.

Do you see potential in applying artificial intelligence (AI) to HEp-2 pattern interpretation and to improve prediction of their association with autoantibodies?

Yes, I do, but probably not in the way many people think. Artificial intelligence has come to revolutionize the way we think and work, and automation is great when we think about how laboratory workflows should be setup. However, as a user of automated digital analysis system, I don’t think pattern interpretation is ready for AI.

Digital imaging is great if your laboratory has the digital logistics to maintain thousands of high-quality images. I personally appreciate being able to go back in a patient’s profile and see the evolution – or lack thereof – of their patterns on HEp-2 IFA, or of the intensity and titer of past assays. However, the patterns this software reports are not absolutely accurate. Recently in the 17^th Dresden Symposium on Autoantibodies, we were presented with various new patterns under the global, transitory, umbrella of AC-XX, in which some fluorescence is described as appearing in clusters of cells, and so, could not be seen throughout the whole well. If the software chooses to focus and capture an image in the wrong spot, technicians could completely miss it. Another feature I find that needs improvement is the lack of depth. Since digital images are two-dimensional we miss features such as the NOR structures in patterns AC-29 and AC-10, or the differences in texture that can help us distinguish between AC-1 and AC-30, or AC-4, AC-31 and AC-5, sometimes samples with multiple patterns can also be hard to distinguish if the image is blurry, out of focus or not high quality. In summary, since the quality of the information we give AI determines the quality of the analysis and the information that AI gives back to the user, the quality and accuracy of the image acquisition is key.

All this said, I do think there is enormous value in starting to learn how to apply AI to our datasets, because here we could strengthen our predictive abilities regarding the association with specific autoantibodies. We could learn about our own tests, have an easier time comparing different platforms, and improve laboratory workflow by just using the digital datasets that nowadays (almost) all laboratories already have. Algorithms can be set up to integrate results from different groups of tests and clinical parameters, leading to suggestions on reflex testing, possible diagnoses, and therapeutic approaches. The accumulated data obtained from using such algorithms can be processed with machine learning, which will improve the algorithms, leading to increased accuracy. This strategy may prove powerful in offering support to professionals across the health assistance chain.

There are a few issues with this line of thought, which I am sure diagnostic companies will resolve in the short run. There are many autoantibodies/antigens targeted by the human immune system that are still not available in commercial IVD assays. This issue is being resolved through arrays and platforms targeting autoantibodyomics. Another concern is the integration of all the information in whichever LIS platform a laboratory uses. My last concern would be regarding how clinicians request these tests, or if laboratories have the independence to reflex test for a group of autoantibodies. One of the issues we had with this research is that the information can be a bit spotty, since a patient with SLE, for example, would rarely be tested for anti-CENP-B antibodies. Ideally, one would have all of the autoantibodies available tested at one point in time. As datasets become more complete, AI becomes more applicable and of higher quality, allowing us to garner more information, use it better, learn, and improve.

Thank you for the interview!

Interviewer: Patryk Matuszek