Antibiotic Treatment Response in Chronic Lyme Disease: Why Do Some Patients Improve While Others Do Not?
Lorraine Johnson, Mira Shapiro, Raphael B. Stricker, Joshua Vendrow,4 Jamie Haddock, and Deanna Needell
Healthcare (Basel). 2020 Dec; 8(4): 383. Published online 2020 Oct 3. doi: 10.3390/healthcare8040383 PMCID: PMC7712932 PMID: 33022914
www.ncbi.nlm.nih.gov/pmc/articles/PMC7712932/
De Californische patiëntenorganisatie Lymedisease.org heeft sinds 2015 een patiëntendatabase opgebouwd met meer dan 13.000 Lymepatiënten; MyLymeData. De data van 2293 chronische Lymepatiënten is bekeken door de Universiteit van Californië in Los Angeles met ‘learning machines’ [1].
Een goede uitkomst van de behandeling hing samen met:
1. Het gebruik van antibiotica of een combinatie van antibiotica met alternatieve behandelingen.
2. Langere duur van de behandeling.
3. Toezicht van een arts wiens praktijk focust op de behandeling van tekenbeetziekten.
Patiënten waren onderverdeeld in vier groepen: non-responders, low-responders, high-responders en mensen die weer gezond waren. Deze indeling gebeurde met een gevalideerde statistische schaal: Global Rating of Change-Scale (GROC). De lengte van de behandeling die vruchten afwierp was vaak meer dan een jaar.
Vergeleken met de algemene bevolking en met patiënten met andere chronische ziekten, rapporteren chronische Lymepatiënten een lagere kwaliteit van leven, een hogere ziektelast, verminderde arbeidscapaciteit, en meer invaliditeit.
In deze studie hadden de high-responders en volledig herstelde patiënten een betere kwaliteit van leven, hadden meer vooruitgang geboekt, en vermindering van de ernst van de symptomen. De volledig herstelde patiënten vonden hun kwaliteit van leven vergelijkbaar met die van de algemene bevolking in de VS.
Deze studie laat zien dat geïndividualiseerde zorg met minimaal een jaar antibiotica nodig is – al dan niet met een complementaire behandeling – door gespecialiseerde Lyme-behandelaars.
[1] Feature Selection on Lyme Disease Patient Survey Data; Vendrow J., Haddock J., Needell D., Johnson L., 2020 arXiv:2009.09087 arxiv.org/abs/2009.09087
Deze onderliggende studie beschrijft de toepassing van ‘learning machines’ in bovengenoemde studie. Men heeft toegepast: “basic linear regression, support vector machines, neural networks, entropy-based decision tree models, and K Nearest Neighbors to assess the ability of individual features (responses to survey questions) to predict an unwell participant’s GROC characterization as a nonresponder, low responder, or high responder. The companion study explored 215 features related to diagnostic factors (such as delays in diagnosis, stage of diagnosis, or presence of coinfections), treatment approach, duration of individual antibiotics, alternative treatments, symptoms (severity, presence at time of diagnosis, and three worst), type of clinician, and degree of functional impairment to distinguish between GROC subgroups and to identify the 30 top predictive features (Key Predictive Features).” Van deze 30 bleken er 20 antibiotica-gerelateerd.
We hopen van harte dat je (een beetje) geholpen bent met onze informatie. Stichting Tekenbeetziekten is een ongesubsidieerde vrijwilligersorganisatie en deze website kan alleen maar bestaan bij gratie van donateurs. Jij kunt ervoor zorgen dat deze informatie betrouwbaar en up-to-date blijft door een kleine gift over te maken of ons te machtigen eens of tweemaal per jaar een vast bedrag van je bankrekening af te mogen schrijven. Waarvoor alvast veel dank.
