Wywiad z Janem Damoiseaux, immunologiem z Centralnego Laboratorium Diagnostycznego w Maastricht University Medical Center, aktywnym członkiem inicjatyw EASI (ang. European Autoimmunity Standardization Initiative) i ICAP (ang. International Consensus on ANA Patterns).

W swoim artykule Historical perspective of autoantibody detection: from discovery to interpretation przedstawia Pan fascynujący przegląd tego, w jaki sposób identyfikacja autoprzeciwciał wpłynęła na nasze rozumienie chorób autoimmunologicznych oraz diagnostyki laboratoryjnej. Które odkrycia dotyczące autoprzeciwciał miały największy wpływ na praktykę kliniczną i dlaczego?

Trudno wskazać jedno odkrycie o największym znaczeniu. Odkrycie przez Noela Rose’a przeciwciał przeciwtarczycowych w mysim modelu choroby tarczycy było prawdziwym przełomem, ponieważ przełożony tego badacza nie wierzył, że układ immunologiczny może atakować własny organizm. Stąd wzięło się określenie horror autotoxicus. Od tego momentu choroby autoimmunologiczne zaczęły być powszechnie akceptowane jako istniejące jednostki chorobowe.

Natomiast odkrycie przeciwciał przeciwko transglutaminazie tkankowej i przeciwciał antycytrulinowych zrewolucjonizowało diagnostykę celiakii oraz reumatoidalnego zapalenia stawów, znacząco poprawiając rozpoznawalność tych chorób na całym świecie.

Ostatecznie każde nowe odkrycie, jak w przypadku przeciwciał przeciwko receptorowi NMDA – które pozwala dobrać skuteczne leczenie dla konkretnego pacjenta, ma ogromną wartość i realne znaczenie dla jego życia.

Jaka jest rzeczywista wartość diagnostyczna badań autoprzeciwciał w codziennej praktyce klinicznej – od postawienia diagnozy po dobranie terapii?

Badanie autoprzeciwciał to tylko część układanki, którą lekarz musi ułożyć. Ostateczna diagnoza powstaje z połączenia obrazu klinicznego, wyników badań laboratoryjnych (w tym histopatologicznych) oraz badań obrazowych. Na podstawie wszystkich tych danych można ustalić prawidłowe rozpoznanie. Niestety badania autoprzeciwciał nie są doskonałe i mogą dawać wyniki fałszywie dodatnie lub fałszywie ujemne. Szczególnie wyniki fałszywie dodatnie są problematyczne, gdyż mogą opóźniać postawienie właściwej diagnozy. Dlatego niezwykle ważne jest, aby test był zlecany wyłącznie w odpowiednim kontekście klinicznym.

Oczywiście istnieją badania autoprzeciwciał (np. anty-AChR, anty-Dsg1/3, anty-GBM), które charakteryzują się bardzo wysoką swoistością, co przekłada się na dużą wartość diagnostyczną. Inne testy (np. ANA, IgM RF) wykazują niższą przydatność diagnostyczną.

Badania autoprzeciwciał mogą też w różny sposób wspomagać terapię. W przypadku miastenii gravis pacjenci z przeciwciałami anty-AChR i anty-MuSK są leczeni inaczej. Z kolei pomiary kontrolne mogą wskazywać na skuteczność leczenia lub nawet przewidywać nawrót choroby (np. ANCA, anty-dsDNA), jednak wartość prognostyczna tych testów jest niewystarczająca, aby na jej podstawie natychmiast rozpoczynać terapię, wynik może jedynie ostrzegać lekarza o możliwym nawrocie choroby.

Jakie są główne zalety i potencjalne ograniczenia stosowania testów jednoparametrowych (np. ELISA, CLIA) w porównaniu z panelami wieloparametrowymi w diagnostyce autoprzeciwciał?

Testy wieloparametrowe mają tę zaletę, że pozwalają przeanalizować pełne spektrum autoprzeciwciał związanych z daną chorobą, np. z zapaleniem mięśni, w ramach jednej inkubacji. Zazwyczaj wymaga to mniejszej próbki i jest bardziej opłacalne. Głównym problemem jest jednak ryzyko wyników fałszywie dodatnich. Mówiąc prościej, jeśli 10 reakcji ma swoistość po 99%, to całkowita swoistość może wynosić jedynie 90%, co jest raczej słabym wynikiem w diagnostyce rzadkich chorób autoimmunologicznych.

Moim zdaniem testy wieloparametrowe powinny być ograniczone do jednej choroby lub grupy chorób o nakładających się objawach klinicznych (np. układowe choroby reumatyczne o podłożu autoimmunizacyjnym), aby uniknąć wykonywania badań poza kontekstem klinicznym i uzyskiwania (nieistotnych) przypadkowych wyników.

Które z „nowszych” autoprzeciwciał (np. anty-NMDA, anty-PLA2R) najbardziej zaskoczyły środowisko klinicystów swoim znaczeniem i dlaczego?

Oba są typowymi przykładami odkryć, które utorowały drogę do twierdzenia, że pewne choroby mają podłoże autoimmunologiczne, co z kolei otworzyło drogę do ich skutecznego leczenia. Jeśli chodzi o objawy chorobowe związane z przeciwciałami przeciwko receptorowi NMDA w autoimmunologicznym zapaleniu mózgu (polecam książkę Susannah Cahalan Brain on Fire), to moim zdaniem było to odkrycie najbardziej zaskakujące. Można sobie wyobrazić, że w średniowieczu pacjentki z takimi objawami uznawane były za czarownice…

Jak widzi Pan rolę sztucznej inteligencji badaniu autoprzeciwciał w przyszłości – szczególnie w zakresie interpretacji wyników i podejmowania decyzji klinicznych?

Interpretacja wyników badań autoprzeciwciał jest najlepiej realizowana poprzez zastosowanie współczynników prawdopodobieństwa (ang. likelihood ratios) dla określonych przedziałów wyników badań. Aby wykorzystać ten parametr do obliczenia prawdopodobieństwa po teście (ang. post-test probability), konieczna jest dobra ocena prawdopodobieństwa przed testem (ang. pre-test probability), oparta na objawach klinicznych i pełnym wywiadzie klinicznym pacjenta.

Wyobrażam sobie, że w przyszłości klinicysta będzie wprowadzał te informacje do komputera, a sztuczna inteligencja, na podstawie dużych zbiorów danych, obliczy prawdopodobieństwo przed testem. Następnie laboratorium doda wyniki badań wraz z typem zastosowanego testu (niestety standaryzacja diagnostyki autoimmunizacyjnej wydaje się niemożliwa ze względu na unikalny charakter mierzonego parametru u każdego pacjenta), a komputer wykorzysta odpowiedni współczynnik prawdopodobieństwa do obliczenia prawdopodobieństwa po teście.

Dziękuję za rozmowę.

Rozmawiała: Izabella Podsiadły

The evolution of autoantibody research – From the first discoveries to artificial intelligence

Interview with Jan Damoiseaux, an immunologist at the Central Diagnostic Laboratory, Maastricht University Medical Center, and an active member of the European Autoimmunity Standardization Initiative (EASI) and the International Consensus on ANA Patterns (ICAP).

In your article “Historical perspective of autoantibody detection: from discovery to interpretation” you present a fascinating overview of how the identification of autoantibodies has shaped our understanding of autoimmune diseases and laboratory diagnostics. Which discoveries of autoantibodies have had the greatest impact on clinical practice, and why?

It is difficult to make a choice in terms of greatest impact. The discovery by Noel Rose of anti-thyroid antibodies in a mouse model of thyroid disease was a real game-changer because the boss of Noel Rose did not believe that the immune system could attack your own body. Hence, the term horror autotoxicus. From then on, autoimmune disease became widely accepted as an existing entity.

On the other hand, if you consider the discovery of anti-tissue transglutaminase antibodies and anti-citrullinated antibodies, it is evident that this has a huge impact in terms of the number of patients worldwide that now are better diagnosed with respectively celiac disease and rheumatoid arthritis. In the end, any new discovery, for instance anti-NMDAR antibodies, that opens the way to effective treatment for an individual, has a huge impact for the respective patient.

What is the real value of autoantibody testing in daily clinical practice today – from establishing a diagnosis to guiding therapy?

Autoantibody testing is just a part of the puzzle that the clinician has to make. It is a combination of clinical manifestation, laboratory findings (including tissue biopsy findings) and imaging. Based on the overall input a correct diagnosis can be made. Unfortunately, autoantibody testing is not perfect and reveals false-positive and false-negative results. In particular false-positive results are challenging because it may delay the correct diagnosis. Therefore, it is of utmost importance that a test is only requested in the right clinical context.

Obviously, there are autoantibody tests (anti-AChR, anti-Dsg1/3, anti-GBM) that have a very high specificity and as such are almost diagnostic, but other autoantibody tests (ANA, IgM RF) are of lower diagnostic value.

Autoantibody testing to guide therapy can be interpreted in different ways. In myasthenia gravis, patients with anti-AChR and anti-MuSK antibodies are treated differently. On the other hand, follow-up measurements may reveal treatment efficacy or may even predict clinical relapse (ANCA, anti-dsDNA), but the latter predictive value is insufficient to directly start therapy, it only may alert the clinician for possible recurrence of disease.

Multi-parameter testing has the advantage that the full spectrum of autoantibodies related to a certain disease, for instance myositis, can be analysed by a single incubation. In general this requires less sample volume and is more cost-effective. The major problem is the risk of false-positive results. Simply said: if 10 reactions all have a specificity of 99%, the overall specificity may be only 90%, which is rather poor for autoimmune testing in rare diseases.

For me it is important that multi-parameter testing should be restricted to a single disease or diseases with overlapping manifestations, such as the systemic autoimmune rheumatic diseases, in order to prevent that the test is performed outside of the clinical context resulting in (irrelevant) incidental findings.

Which of the newer autoantibodies (e.g., anti-NMDA or anti-PLA2R) have most surprised the clinical community in terms of their significance, and why?

Both are typical examples of discoveries that paved the way for accepting that the respective diseases are of autoimmune origin. This opened the way for effective treatment. Considering the disease manifestations of anti-NMDAR limbic encephalitis (read the book of Susannah Cahalan, Brain on fire), this discovery, in my opinion, was the most surprising. I can imagine that such patients were considered witches in medieval times…

How do you see the role of artificial intelligence in the future of autoantibody testing – particularly in improving result interpretation and clinical decision-making?

Interpretation of autoantibody results is best achieved by using likelihood ratio’s for test result intervals. In order to use this parameter to calculate the post-test probability, it is important to make a good judgement of the pre-test probability based on clinical manifestations and total anamnesis. I can imagine that in the future the clinician enters this information in a computer, then, based on big datasets, AI can calculate the pre-test probability. If next the laboratory adds the test result in combination with the type of test that is used (unfortunately standardization of autoimmune diagnostics seems to be impossible due to the nature of the measurant that is unique for each patient), the computer can use the resulting likelihood ratio for calculating the post-test probability.

Thank you for the interview!

Interviewed by: Izabella Podsiadły