MEDA-PKD:用于常染色体显性多囊肾病精准医疗的动态实时分析平台

MEDA-PKD: a dynamic, real-time analytics platform for precision care in autosomal dominant polycystic kidney disease

作者信息Franziska Grundmann, Sita Arjune, Samer Alkarkoukly, Malte P Bartram, Bodo B Beck, Thomas Benzing, Volker Boehm, Katrin Bohl, Volker Burst, Martin Busch, Figen Cakiroglu, Sadrija Cukoski, Peter Gerke, Nils Große-Hokamp, Jan Halbritter, Ludwig Matrisch, Thorsten Persigehl, Friederike Petzold, Johannes Schmidt, Roland Schmitt, Polina Todorova, Christoph Wanner, Philipp Antczak, Roman-Ulrich Müller, AD(H)PKD Study Group, Dominik Alscher, Bettina Baeßler, Hande Aydogan-Balaban, Oya Beyan, Andreas Beyer, Cornelia Böhme, Katharina Burkert, Liliana L Caldeira, Markus Cybulla, Jan Degenhardt, Marie Engelhard, Florian Erger, Lioba Ester, Henrik Ten Freyhaus, Judith Heindel, Claudia Hendrix, Astha Jaiswal, Larina Karner, Markus Ketteler, Katharina Kiefer, Felix Koehler, Adrian Kühn, Jörg Latus, Katharina Lettenmeier, Christoph Lindemann, David Maintz, Franziska Meyer, Stien Maushake, Simon Oehm, Katrin Peschel, Roman Pfister, Lena Pickert, Anne Pley, Juliana Rank, Franz Reichel, Miriam Rinneburger, Moritz Schanz, Philipp Scherrer, Thomas Schömig, Severin Sch
PMID42901931
发布时间2026-10
DOI10.1038/s41746-026-03267-0

实验完整度

中

基于AD(H)PKD多中心观察性队列(1735例),整合临床与蛋白质组学数据,进行eGFR斜率分析及托伐普坦疗效评估,但无随机对照或体内外机制验证。

主要模型

AD(H)PKD Tolvaptan注册研究队列(1735例ADPKD患者) 血清蛋白质组学子队列

重点核对

托伐普坦使用状态:基线时7%已用药,26%任一访视时用药或曾用药 eGFR斜率计算需至少3次eGFR值且跨度≥1年,排除托伐普坦治疗期间数据用于自然病程分析 线性混合效应模型纳入所有接受托伐普坦患者的eGFR值,调整年龄、性别和Mayo影像分类 蛋白质组学六蛋白模型(SERPINF1、GPX3、AFM、FERMT3、CFHR1、RARRES2)预测eGFR斜率 用户评估:7名临床医生使用系统可用性量表(SUS)和ADPKD特异性问卷

摘要

医疗真实世界数据的使用受到碎片化数据基础设施以及缺乏大规模整合纵向临床与分子数据的工具的限制。常染色体显性多囊肾病(ADPKD)作为最常见的单基因肾衰竭病因,因其表型复杂性和个体化治疗决策的需求而凸显了这一缺口。我们提出MEDA-PKD(MEdical DAta translation service of Polycystic Kidney Disease),一个交互式近实时分析平台,将德国AD(H)PKD Tolvaptan注册研究(NCT02497521,DRKS00008910)的临床常规数据与研究数据整合到一个统一数据库中(https://doi.org/10.18716/adpkd_registry)。MEDA-PKD提供自动化近实时分析和动态可视化,取代了传统的静态临床队列分析方法。截至2026年3月,MEDA-PKD可视化了1735名患者的数据(平均随访796天)。对开始托伐普坦治疗的患者(332名患者)数据进行的eGFR斜率分析展示了该平台实时评估真实世界治疗影响的能力。其他标签页包括家族史、用药、生活方式、生活质量和广泛的实验室值(20,894条记录)。此外,MEDA-PKD整合了蛋白质组学数据,并允许安全的个体患者水平数据访问。MEDA-PKD通过将静态队列数据转化为ADPKD中活的、可操作的知识资源,代表了一种范式转变,并将作为其他疾病的模板。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
如何利用真实世界数据构建近实时、动态的分析平台,以表征ADPKD疾病进程并评估托伐普坦在真实临床环境中的疗效?
核心机制
通过整合临床常规数据、注册研究数据和蛋白质组学数据到一个自动化、近实时更新的数据库,实现动态可视化和分析,从而在真实世界条件下评估治疗效应和疾病轨迹。
主要证据
MEDA-PKD平台可视化1735例ADPKD患者数据;eGFR斜率分析显示男性下降快于女性(−3.2 vs −2.8 ml/min/1.73 m²/yr);托伐普坦治疗使eGFR斜率改善约27%(t检验,p=0.00015),线性混合效应模型显示绝对衰减0.61 ml/min/1.73 m²/yr(95% CI 0.07–1.16,p=0.028),相对减少16.9%;生活质量SF-12评分在治疗前后无显著差异。
研究意义
MEDA-PKD将静态队列数据转化为动态、可操作的知识资源,为ADPKD的精准医疗提供近实时分析工具,并可作为其他疾病的数据基础设施模板。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

数据整合与平台构建

建立近实时、自动更新的ADPKD临床与分子数据可视化分析平台

整合临床常规数据(ORBIS系统)、注册研究数据(clinicalsurveys.net)、蛋白质组学数据和影像数据到PostgreSQL数据库,通过Python脚本自动提取和注入数据,利用R/Shiny构建交互式仪表板。

2

队列基线特征与疾病进展预测因子分析

描述ADPKD队列的基线特征并分析疾病进展预测因素

对1735例患者进行横断面分析,包括人口学、影像学(Mayo影像分类)、遗传学(PKD1/PKD2变异)和临床特征(泌尿系统并发症、高血压等),计算PROPKD评分。

3

自然病程下eGFR斜率分析

评估未接受托伐普坦治疗患者的肾功能下降自然轨迹

使用托伐普坦治疗前的肌酐值计算eGFR斜率,比较性别和Mayo影像分类亚组间的差异。

4

托伐普坦真实世界疗效评估

评估托伐普坦对eGFR斜率的影响及治疗依从性和生活质量变化

对托伐普坦治疗前后eGFR斜率进行配对分析(t检验和线性混合效应模型),分析停药原因,并比较治疗前后SF-12生活质量评分。

5

蛋白质组学数据整合与生物标志物探索

将血清蛋白质组学数据与临床参数关联,验证预测eGFR斜率的六蛋白模型

在MEDA-PKD平台中整合蛋白质组学数据,允许用户查询蛋白质丰度与eGFR分级或Mayo影像分类的关系,并将六蛋白模型与实时更新的eGFR斜率关联。

6

平台可用性评估与临床试验筛选模拟

评估MEDA-PKD的用户可用性和时间效率,并探索其在临床试验预筛选中的可行性

7名ADPKD临床医生使用SUS问卷和ADPKD特异性问题评估平台,并测量获取托伐普坦处方所需信息的时间;使用平台筛选STOP-PKD试验合格患者。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
PostgreSQL数据库----
R/Shiny----
ggplot2----
plotly----
NocoDB----
clinicalsurveys.net----
ORBIS临床信息系统Dedalus--
Docker----
Jenkins----
nlme R包----

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
队列纳入与数据收集
纳入标准(年龄≥18岁、临床或遗传确诊ADPKD、eGFR≥15 ml/min/1.73 m²);数据收集平台clinicalsurveys.net;随访更新频率至少每年一次
阅读提示:Methods中Study design and cohort、Inclusion criteria及Data collection and structure小节
eGFR斜率计算
至少3次eGFR值且跨度≥1年;稳健线性模型预测eGFR随时间变化,系数乘以365.25;斜率范围限定−15至5 ml/min/1.73 m²/yr;自然病程分析仅使用托伐普坦治疗前数据
阅读提示:Methods中Statistical analyses小节及Results中Kidney function trajectories部分
托伐普坦疗效分析
配对分析纳入标准(治疗前至少1年且有足够肌酐数据);线性混合效应模型固定效应结构(治疗前斜率、斜率变化、急性eGFR下降)、调整协变量(年龄、性别、Mayo影像分类)、随机效应结构(随机截距和随机斜率)、残差相关性结构(一阶自回归)
阅读提示:Methods中Statistical analyses小节及Table 2
蛋白质组学数据整合
血清蛋白质组数据集来源(Cologne AD(H)PKD亚队列);六蛋白模型组成(SERPINF1、GPX3、AFM、FERMT3、CFHR1、RARRES2);数据插补方法参见原始文献
阅读提示:Methods中Integration of omics data小节及Results中Integrating omics data with clinical data部分
用户可用性评估
评估者数量(7名ADPKD临床医生,非平台开发者);SUS问卷(10项,评分0-100);时间测量对比系统(ORBIS,Dedalus);评估非盲法
阅读提示:Methods中Real-life user assessment小节及Supplementary Fig. S12、S13