Προχωρώντας προς τα εμπρός, θα καταστήσουν το μοντέλο τους γενικεύσιμο σε διαφορετικά εμβόλια και λοιμώξεις που θα τους επιτρέψουν να δημιουργήσουν ένα αξιόπιστο εργαλείο που θα μπορεί να εφαρμοστεί σε μελλοντικές επιδημίες για την υποστήριξη της ανάπτυξης νέων εμβολίων και την καθοδήγηση της πολιτικής δημόσιας υγείας σε αυτό το πλαίσιο. Κατά τη διάρκεια του επόμενου έτους, σχεδιάζουν να δημοσιεύσουν μια επικαιροποιημένη έκδοση του μοντέλου που μπορεί να εφαρμοστεί και έχει επικυρωθεί σε πολλαπλά εμβόλια.
Με τον FDA να εγκρίνει αυτή την εβδομάδα ένα δεύτερο διμερές αναμνηστικό εμβόλιο για άτομα υψηλού κινδύνου από την COVID-19 και το CDC να αναμένεται να το εγκρίνει επίσης, μια πρόσφατη μελέτη του Houston Methodist μπορεί να προσφέρει κάποια καθοδήγηση σχετικά με το πότε ορισμένοι πληθυσμοί θα πρέπει να λάβουν το επόμενο αναμνηστικό εμβόλιο. Μια ερευνητική ομάδα επιστημόνων υπολογιστικής ιατρικής και δεδομένων από το Ερευνητικό Ινστιτούτο Μεθοδιστών του Χιούστον προέβλεψε την ανοσολογική απόκριση στα εμβόλια COVID-19 με ένα μαθηματικό μοντέλο που ανέπτυξε και διαπίστωσε επίσης ότι τα τρέχοντα διαστήματα χορήγησης δόσεων του CDC ενδέχεται να απαιτούν προσαρμογή για την προστασία όλων των ατόμων εξίσου. “Η πρόβλεψη της ανοσολογικής απόκρισης μας επιτρέπει να προσδιορίσουμε στρατηγικές δοσολογίας που μπορούν να βελτιώσουν την αποτελεσματικότητα του εμβολίου και να εξασφαλίσουν μακροπρόθεσμη προστασία από τον ιό, με βάση τις ανάγκες των επιμέρους υποπληθυσμών”, δήλωσε ο αντίστοιχος συγγραφέας της μελέτης, Prashant Dogra, Ph.D.
“Για παράδειγμα, οι ανοσοκατεσταλμένοι ασθενείς μπορεί να παρουσιάζουν μειωμένη παραγωγή αντισωμάτων μετά τον εμβολιασμό σε σχέση με αυτή που παρατηρείται στον γενικό πληθυσμό”. Οι ερευνητές δημιούργησαν ένα υπολογιστικό εργαλείο που μπορεί να προσομοιώσει αξιόπιστα την ανοσολογική απόκριση σε χιλιάδες δημογραφικά διαφορετικούς ασθενείς μέσα σε λίγα λεπτά, επιτρέποντάς τους να απαντήσουν σε ερωτήματα που διαφορετικά θα ήταν δαπανηρά και χρονοβόρα πειραματικά ή κλινικά. Το εργαλείο τους βοήθησε να προσδιορίσουν τα καλύτερα πρωτόκολλα δοσολογίας για να εξασφαλίσουν προστασία για παρατεταμένες περιόδους. Ένα ενδιαφέρον αποτέλεσμα σε ασθενείς με υψηλό βαθμό ανοσοκαταστολής ήταν ότι μια μικρή καθυστέρηση στη δεύτερη δόση επιτρέπει στο ανοσοποιητικό σύστημα να ανακάμψει και να παράγει περισσότερα αντισώματα και, ως εκ τούτου, παρέχει μεγαλύτερη προστασία. Ο Dogra, επίκουρος ερευνητής καθηγητής μαθηματικών στην ιατρική, ηγήθηκε του έργου μαζί με τον Zhihui “Bill” Wang, Ph.D., ερευνητή καθηγητή υπολογιστικής βιολογίας στην ιατρική, και τον Vittorio Cristini, Ph.D., διευθυντή του προγράμματος μαθηματικών στην ιατρική στο Ακαδημαϊκό Ινστιτούτο Μεθοδιστών του Χιούστον. Η μελέτη, με τίτλο “A modeling-based approach to optimize COVID-19 vaccine dosing schedules for improved protection” (Μια προσέγγιση βασισμένη στη μοντελοποίηση για τη βελτιστοποίηση των δοσολογικών σχημάτων του εμβολίου COVID-19 για βελτιωμένη προστασία), βρίσκεται υπό αξιολόγηση από ομοτίμους σε ένα εξέχον ιατρικό περιοδικό και επί του παρόντος έχει αναρτηθεί στον διακομιστή προτυπωμάτων medRxiv. Κατά τη διάρκεια μιας κατάστασης έκτακτης ανάγκης για τη δημόσια υγεία, όπως η πανδημία COVID-19, ο χρόνος και οι περιορισμοί των πόρων δημιουργούν μια πρόκληση για την αποτελεσματική διεξαγωγή κλινικών δοκιμών για την αξιολόγηση της ασφάλειας και της αποτελεσματικότητας των νέων εμβολίων. Αυτό μπορεί να οδηγήσει σε άνιση συμπερίληψη υποκειμένων από διάφορες ηλικιακές ομάδες, φύλα, φυλετικές και εθνοτικές μειονότητες, μεταξύ άλλων δημογραφικών μεταβλητών. Έτσι, ενώ οι κατευθυντήριες γραμμές του CDC διακρίνουν μόνο μεταξύ υγιών και ανοσοκατασταλμένων ατόμων, το μαθηματικό μοντέλο επεκτείνεται σε αυτό και εντοπίζει εντυπωσιακές διαφορές στην αποτελεσματικότητα των εμβολίων σε ένα φάσμα ατόμων με διαφορετικά επίπεδα ανοσολογικής-υγειονομικής επάρκειας. Αποκάλυψε το επίπεδο διακύμανσης της ανοσολογικής απόκρισης μεταξύ των υποκειμένων αυτών των υποπληθυσμών και την προστασία που προσφέρουν τα εμβόλια έναντι των αρχικών έναντι των μεταλλαγμένων στελεχών του SARS-CoV-2.
Ο προσδιορισμός των κρίσιμων παραθύρων αναμονής για άτομα με έντονη ανοσοκαταστολή, όπως οι καρκινοπαθείς που υποβάλλονται σε χημειοθεραπεία, επιτρέπει στο ανοσοποιητικό σύστημα να ανακάμψει σε σημείο που να μπορεί να παράγει αρκετά αντισώματα που προκαλούνται από το εμβόλιο για αποτελεσματική προστασία από τη νόσο. Το μοντέλο τους έχει τη δυνατότητα να συμπληρώσει τις κλινικές δοκιμές εμβολίων φάσης 3, διερευνώντας εκτενώς τις επιδράσεις της βιολογικής μεταβλητότητας σε κλίμακα πληθυσμού στα αποτελέσματα του εμβολίου σε έναν εικονικό πληθυσμό, ο οποίος διαφορετικά είναι δύσκολο να αποτυπωθεί σε μια πραγματική κλινική δοκιμή. “Αναπτύξαμε το μαθηματικό μοντέλο με βάση βιβλιογραφικά δεδομένα κλινικών δοκιμών για εμβόλια COVID-19 με βάση το mRNA και χρησιμοποιήσαμε το μοντέλο για να εκτελέσουμε υπολογιστικά πειράματα για να διερευνήσουμε διάφορα κλινικά σενάρια και να εντοπίσουμε στρατηγικές για βελτιωμένα αποτελέσματα εμβολίων”, δήλωσε ο Wang. “Πραγματοποιήσαμε χιλιάδες προσομοιώσεις για να αναπαραστήσουμε έναν ποικίλο εικονικό πληθυσμό ανθρώπινων υποκειμένων που έλαβαν έναν προσομοιωμένο εμβολιασμό και αναλύσαμε τα αποτελέσματα για να προσδιορίσουμε τα βέλτιστα προγράμματα εμβολιασμού για διάφορες κατηγορίες ασθενών”.
Ενώ το έγγραφο καλύπτει υποπληθυσμούς με ανοσοκατασταλμένο ανοσοποιητικό σύστημα, η ερευνητική ομάδα μελετά επίσης επί του παρόντος διάφορους άλλους ειδικούς πληθυσμούς, όπως φυλετικές και εθνοτικές ομάδες, ηλικιωμένους, εγκύους και παιδιατρικούς. Προχωρώντας προς τα εμπρός, θα καταστήσουν το μοντέλο τους γενικεύσιμο σε διαφορετικά εμβόλια και λοιμώξεις που θα τους επιτρέψουν να δημιουργήσουν ένα αξιόπιστο εργαλείο που θα μπορεί να εφαρμοστεί σε μελλοντικές επιδημίες για την υποστήριξη της ανάπτυξης νέων εμβολίων και την καθοδήγηση της πολιτικής δημόσιας υγείας σε αυτό το πλαίσιο. Κατά τη διάρκεια του επόμενου έτους, σχεδιάζουν να δημοσιεύσουν μια επικαιροποιημένη έκδοση του μοντέλου που μπορεί να εφαρμοστεί και έχει επικυρωθεί σε πολλαπλά εμβόλια.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
