MX2011007030A - Marcadores sericos que predicen la respuesta clinica a los anticuerpos anti-factor de necrosis tumoral alfa en pacientes con espondilitis anquilosante. - Google Patents

Abstract

La presente invención proporciona herramientas para el manejo de pacientes diagnosticados con espondilitis anquilosante antes de iniciar la terapia con un agente anti-TNF alfa; las herramientas son marcadores y algoritmos específicos para predecir la respuesta a la terapia en base a puntos finales clínicos estándar primarios y secundarios con el uso de concentraciones de marcadores séricos; en una modalidad la concentración inicial de leptina u osteocalcina se usa para predecir la respuesta en la semana 14 después de iniciar la terapia; en otra modalidad después de 4 semanas de terapia se usa el cambio en un biomarcador proteico sérico, tal como el componente 3 del complemento.

Description

MARCADORES SÉRICOS QUE PREDICEN LA RESPUESTA CLÍNICA A LOS ANTICUERPOS ANTI-FACTOR DE NECROSIS TUMORAL ALFA EN PACIENTES CON ESPONDILITIS ANQUILOSANTE SOLICITUD ANTERIOR La presente aplicación reivindica la prioridad de la solicitud de los Estados Unidos núm. 61/141 ,421 , presentada el 30 de diciembre de 2008, que se incorpora en la presente descripción como referencia en su totalidad.

CAMPO DE LA INVENCIÓN La presente invención se relaciona con métodos y procedimientos para el uso de biomarcadores séricos para predecir la respuesta de pacientes diagnosticados con espondilitis anquilosante al tratamiento biológico con anti-TNF alfa.

ANTECEDENTES DE LA INVENCIÓN La decisión de tratar la espondilitis anquilosante (EA) con productos biológicos disponibles actualmente o en desarrollo, tales como golimumab o adalimumab, anticuerpos humanos anti-TNF alfa o infliximab, un anticuerpo anti-TNFa quimérico humano murino o enteracept, un constructo de TNFR, presenta varios retos. Uno de los retos es predecir qué sujetos responderán al tratamiento y qué sujetos ya no responderán después del tratamiento.

Los biomarcadores se definen como "una característica que se determina objetivamente y se evalúa como un indicador de procesos biológicos, procesos patogénicos y respuestas farmacológicas normales a una intervención terapéutica" según Biomarker Working Group, 2001. Clin. Pharm. and Therap. 69: 89-95). Recientemente la definición de un biomarcador también incluye el cambio en la expresión de las proteínas que se puede relacionar con un riesgo incrementado de enfermedad o progresión o que puede ser predictivo de una respuesta a cierto tratamiento.

La neutralización de TNF alfa por medio de la adición de un anticuerpo anti-TNFa en sistemas in vitro o in vivo puede modificar la expresión de las citocinas inflamatorias y varios otros componentes séricos proteicos y no proteicos. Un anticuerpo anti-TNFa agregado a fibroblastos sinoviales cultivados redujo la expresión de las citocinas IL-1 , IL-6, IL-8 y GM-CSF (Feldmann & Maini (2001 ) Annu Rev Immunol 19:163-196). Los pacientes con AR tratados con infliximab tuvieron concentraciones séricas disminuidas de TNFR1 , TNFR2, antagonista de IL-1 R, IL-6, amiloide A sérico, haptoglobina y fibrinógeno (Charles 1999 J Immunol 163:1521-1528). Otros estudios han demostrado que los pacientes con AR tratados con infliximab tienen concentraciones séricas disminuidas de (s)ICAM-3 soluble y sP-selectina (Gonzalez-Gay, 2006 Clin Exp Rheumatol 24: 373-379), así como una reducción en las concentraciones de la citocina IL-18 (Pittoni, 2002 Ann Rheum Dis 61 :723-725; van Oosterhout, 2005 Ann Rheum Dis 64:537-543).

En pacientes con diversas enfermedades inflamatorias inmunomediadas se ha observado concentraciones elevadas de proteína C reactiva (CRP). Estas observaciones indican que la CRP puede tener un valor potencial como marcador en el tratamiento con anti-TNFa, (St Clair, 2004 Arthritis Rheum 50:3432-3443) se demostró que infliximab hizo que la CRP volviera a las concentraciones normales en pacientes con AR temprana. En la artritis soriásica refractaria (Feletar, 2004 Ann Rheum Dis 63:156-161 ), el tratamiento con infliximab también hizo que la CRP volviera a las concentraciones normales. Además, se ha demostrado que las concentraciones de CRP están relacionadas con la progresión del daño articular en pacientes con AR temprana tratados únicamente con metotrexato (Smolen, 2006 Arthritis Rheum 54:702-710). Al momento de agregar el tratamiento con infliximab al tratamiento con metotrexato, las concentraciones de CRP ya no se relacionaron con la progresión del daño articular.

En el tratamiento de pacientes con AR, Charles (1999) y Strunk (2006 Rheumatol Int. 26: 252-256) demostraron que el infliximab podría reducir la expresión de atocinas relacionadas con la inflamación, tales como IL-6, así como de citocinas relacionadas con la angiogénesis, tales como VEGF (factor de crecimiento endotelial vascular). Ulfgren (2000 Arthritis Rheum 43:2391-2396) demostró que el tratamiento con infliximab redujo la síntesis de TNF, IL-1a e IL-1 beta Den la membrana sinovial en el transcurso de 2 semanas de tratamiento. Mastroianni (2005 Br J Dermatol 153:531-536) demostró que las reducciones en VEGF, FGF y MMP-2 fueron una mejora significativa en el área y en la severidad de la soriasis después del tratamiento con ínfliximab. Visvanathan {Ann Rheum Dis 2008;67;51 1-517;) demostró que el tratamiento con ínfliximab redujo las concentraciones séricas de IL-6, VEGF y CRP de pacientes con EA y que las reducciones reflejadas mejoraron los indicadores de actividad de la enfermedad.

El tratamiento de pacientes con EA con ínfliximab provocó disminuciones en IL-6 que se relacionaron con indicadores clínicos mejorados (Visvanathan, 2006 Arthritis Rheum 54(Suppl): S792). En los pacientes tratados con Ínfliximab, las disminuciones tempranas en IL-6 y CRP después del tratamiento se relacionaron con una mejora en los puntajes de actividad de la enfermedad.

Las concentraciones séricas de los marcadores antes del tratamiento también se han relacionado con la respuesta al tratamiento con anti-TNFa. Se descubrió que una baja concentración sérica base de IL-2R está relacionada con la respuesta clínica al Ínfliximab en pacientes con AR refractaria (Kuulíala 2006). Visvanathan (2007a) demostró que el tratamiento de pacientes con AR con ínfliximab más MTX produjo una disminución en varios marcadores relacionados con la inflamación, que incluyen MMP-3. En este estudio se demostró que al inicio las concentraciones de MMP-3 se correlacionaron significativamente con los indicadores de mejoras clínicas un año después del tratamiento.

Por lo tanto, aunque se ha demostrado que varios marcadores séricos proteicos y no proteicos de inflamación y de enfermedad sistémica se modifican durante el tratamiento con anti-TNFa, hasta el momento no se ha descubierto un grupo único de marcadores y un algoritmo predictivo.

BREVE DESCRIPCIÓN DE LA INVENCIÓN La presente invención se refiere al uso de múltiples biomarcadores para predecir la respuesta de un paciente al tratamiento con anti-TNFa y, más específicamente, para determinar si un paciente responderá o no. Adicionalmente, la presente invención se puede usar para determinar si un paciente ha respondido al tratamiento y si la respuesta continuará. En un aspecto la presente invención abarca el uso de un tamiz multicomponente con muestras séricas de los pacientes para predecir la respuesta, así como la falta de respuesta de pacientes con EA al tratamiento con un anticuerpo monoclonal neutralizador del TNFa En una modalidad los grupos de marcadores específicos identificados en grupos de datos de pacientes con EA antes de iniciar la terapia con anti-TNF alfa correlacionados con la evaluación real de la respuesta clínica se usan para predecir la respuesta clínica de pacientes con EA antes del tratamiento con anti-TNF alfa. En una modalidad específica el grupo de marcadores es de dos o más marcadores seleccionados del grupo que consiste de leptina, TIMP- , ligando CD40, G-CSF, MCP- , osteocalcina, PAP, componente 3 del complemento, VEGF, insulina, ferritina y ICAM-1.

En otra modalidad los grupos de marcadores específicos identificados en los grupos de datos de pacientes con EA antes y después de iniciar la terapia con anti-TNF alfa correlacionados con la evaluación real de la respuesta clínica se usan para predecir la respuesta clínica de pacientes con EA antes del tratamiento con anti-TNF alfa. En una modalidad específica el grupo de marcadores es de dos o más marcadores seleccionados del grupo que consiste de leptina, TI P-1 , ligando CD40, G-CSF, MCP-1 , osteocalcina, PAP, componente 3 del complemento, VEGF, insulina, ferritina y ICAM-1.

La presente invención proporciona, además, un sistema automatizado para predecir la respuesta de un paciente con EA a la terapia con anti-TNF alfa, en donde la computadora usa los valores del grupo de datos de un paciente para compararlos con un algoritmo predictivo, tal como un árbol para la toma de decisiones, en donde el grupo de datos incluye las mismas concentraciones séricas de uno o más marcadores seleccionados del grupo que consiste de leptina, TIMP-1 , ligando CD40, G-CSF, MCP-1 , osteocalcina, PAP, componente 3 del complemento, VEGF, insulina, ferritina y ICAM-1. En una modalidad el sistema automatizado es una red neural capacitada para procesar el grupo de datos de un paciente y producir un resultado, en donde el grupo de datos incluye concentraciones de uno o más marcadores séricos seleccionados del grupo que consiste de leptina, TIMP-1 , ligando CD40, G-CSF, MCP-1 , osteocalcina, PAP, insulina, componente 3 del complemento, VEGF y ICAM-1.

La presente invención también proporciona un dispositivo con la capacidad de procesar y detectar los marcadores séricos en un espécimen o muestra que se obtiene de un paciente con EA, en donde el marcador de las concentraciones séricas se selecciona del grupo que consiste de leptina, TIMP-1 , ligando CD40, G-CSF, MCP-1 , osteocalcina, PAP, componente 3 del complemento, VEGF, insulina, ferritina y ICAM-1.

La presente invención también proporciona un kit que comprende un dispositivo con la capacidad de procesar y detectar los marcadores séricos en un espécimen o muestra que se obtiene de un paciente con EA, en donde el marcador de las concentraciones séricas se selecciona del grupo que consiste de leptina, TIMP-1 , ligando CD40, G-CSF, MCP-1 , osteocalcina, PAP, componente 3 del complemento, VEGF, insulina, ferritina y ICAM-1.

BREVE DESCRIPCIÓN DE LAS FIGURAS Las Figuras 1-6 son modelos predictivos de la respuesta de EA que se muestran en forma de árbol para la toma de decisiones en base al uso de biomarcadores séricos y que se correlaciona con las respuestas clínicas del paciente según ASAS20 o BASDAI. El nodo sin respuesta o "No" significa que el modelo predijo que todos los sujetos en ese nodo no responderían, mientras que el nodo "Sí" significa que el modelo predijo que todos los sujetos en ese nodo si responderían. Dentro del nodo se muestra la cantidad de pacientes reales que no respondieron / la cantidad de pacientes reales que sí respondieron.

La Figura 1 es un modelo predictivo desarrollado a partir de los datos de marcadores iniciales (semana 0) analizados mediante el método multíplice de pacientes del estudio que reciben golimumab con el uso de ASAS20 en la semana 14, en donde el clasificador inicial para un paciente con respuesta se basa en leptina (valor límite < 3.804, escala logarítmica) y el clasificador secundario para un paciente con respuesta se basa en el ligando CD40 (un valor límite >= 1.05, escala logarítmica).

La Figura 2 es un modelo predictivo desarrollado a partir de los datos de marcadores iniciales (semana 0) analizados mediante el método multíplice de pacientes del estudio que reciben golimumab con el uso del cambio en BASDAI en la semana 14; en donde el criterio inicial para un paciente con respuesta es TIMP-1 (valor límite >= 7.033) y el clasificador secundario para un paciente con respuesta es G-CSF (valor límite < 3.953); cuando TIMP-1 es menor que el valor límite, la fosfatasa acida prostética es el clasificador para un paciente con respuesta (valor límite >= -1 .287, valor logarítmico); cuando tanto TIMP-1 como PAP son menores que sus valores límites respectivos, MCP-1 es un clasificador para un paciente con respuesta (< 7.417, escala logarítmica).

La Figura 3 es un modelo predictivo de la respuesta de EA desarrollado a partir de los valores séricos de marcadores iniciales (semana 0) analizados mediante el método multíplice y el método de EIA individuales de pacientes del estudio que reciben golimumab y las respuestas se evaluaron con el uso de ASAS20 en la semana 14, en donde la osteocalcina es el clasificador inicial para un paciente con respuesta (valor límite >= 3.878, escala logarítmica) y cuando la osteocalcina es menor que su valor límite respectivo, PAP se usa como un clasificador de un paciente con respuesta (valor límite >= -1.359, escala logarítmica).

La Figura 4 es un modelo predictivo de la respuesta de EA desarrollado a partir de los valores séricos de marcadores iniciales (semana 0) analizados mediante el método multíplice y el método de EIA individuales de pacientes del estudio que reciben golimumab y las respuestas se evaluaron con el uso del cambio del BASDAI en la semana 14, en donde la osteocalcina es el clasificador inicial de un paciente con respuesta (valor límite >= 3.977, escala logarítmica) y cuando la osteocalcina es menor que el valor límite, PAP es un clasificador de un paciente con respuesta (valor límite >= -1.415) y cuando tanto la osteocalcina como PAP son menores que sus valores límites respectivos, la insulina se usa como un clasificador de un paciente con respuesta (valor límite < 2.71 1 , escala logarítmica).

La Figura 5 es un modelo predictivo de la respuesta de EA desarrollado a partir del los valores séricos de marcadores inicíales y el cambio en los valores séricos iniciales (semana 0) a la semana 4 después de iniciar la terapia con anti-TNF analizados mediante métodos multíplices de pacientes del estudio que reciben golimumab y las respuestas se evaluaron con el uso de ASAS20 en la semana 14, en donde la leptina inicial es el clasificador inicial de un paciente con respuesta (valor límite <3.804, escala logarítmica) y cuando la leptina es menor que su valor límite, el cambio, si hay complemento 3 a partir del inicio hasta la semana 4 se usa como un clasificador de un paciente con respuesta (valor límite< -0.224) y cuando tanto la leptina como el complemento 3 son iguales o mayores que sus valores límites respectivos, el VEGF inicial se usa como un clasificador de un paciente con respuesta (valor límite >= 8.724).

La Figura 6 es un modelo predictivo de la respuesta de EA desarrollado a partir de los valores séricos de marcadores inicíales y el cambio en los valores séricos iniciales (semana 0) a la semana 4 después de iniciar la terapia con anti-TNF analizados mediante métodos multíplices de pacientes del estudio que reciben golimumab y las respuestas se evalúan con el uso del cambio en BASDAI en la semana 14, en donde el criterio inicial del paciente con respuesta es el cambio del componente 3 del complemento a partir del inicio hasta la semana 4 (valor límite < -0.233, escala logarítmica) y cuando el cambio en el complemento 3 es igual o mayor que el valor límite, la ferritina inicial se usa como un clasificador (valor límite >= 7.774, escala logarítmica) y cuando el cambio en el complemento 3 es igual o mayor que el valor límite y la ferritina inicial es menor que su valor límite respectivo, el cambio en ICA -1 se usa como un clasificador de un paciente con respuesta (valor límite >= -0.2204, escala logarítmica).

DESCRIPCIÓN DETALLADA DE LA INVENCIÓN Abreviaturas ASAS: Evaluación de espondilitis anquilosante BASDAI: índice de actividad de Bath para la enfermedad espondilitis anquilosante BASMI: índice de metrología de Bath para la espondilitis anquilosante BASFI: índice funcional de Bath para la espondilitis anquilosante CART Modelo de árbol de clasificación y regresión EIA Inmunoensayo de enzimas ELISA Inmunoensayo acoplado a enzima factor estimulante de las colonias granulociticas G-CSF MAP Perfil multianalito PAP Fosfatasa ácida prostética SELDI Desorción e ionización asistidas con láser en superficie SA Componente amiloide P sérico; ésta no es una abreviatura común para amiloide P sérico TNFa/TNFa Factor de necrosis tumoral alfa TNFR Receptor del factor de necrosis tumoral IL Interleucina IL-1 R Receptor de IL-1 Definiciones Biomarkers Definitions Working Group (Atkinson y otros; 2001 Clin Pharm Therap 69(3):89-95) define un "biomarcador" como '[una] característica que se determina y se evalúa objetivamente como un indicador objetivo de procesos biológicos, procesos patogénicos o respuestas farmacológicas normales a una intervención terapéutica'. Por lo tanto, un proceso anatómico o fisiológico puede funcionar como un biomarcador, por ejemplo, arco de movilidad, así como las concentraciones de proteínas, la expresión genética (mRNA), las moléculas pequeñas, metabolitos o minerales, siempre que haya un enlace validado entre el biomarcador y un resultado relevante fisiológico, toxicológico, farmacológico o clínico.

La "concentración sérica" de un marcador se refiere a la concentración del marcador que se determina mediante uno o más métodos, tales como un inmunoensayo, típicamente, ex vivo en una muestra preparada de un espécimen como la sangre. El inmunoensayo usa reactivos inmunoespecíficos, típicamente, anticuerpos, para cada marcador y el ensayo se puede realizar en una gran variedad de formatos que incluyen reacciones acopladas con enzimas, por ejemplo, EIA, ELISA, RIA u otra sonda directa o indirecta. Otros métodos para analizar el marcador en la muestra, tales como detección electroquímica y detección de fluorescencia asociada a sonda, también son posibles. El ensayo también puede ser "multíplice", en donde se detecta múltiples marcadores y se analizan durante un único examen de muestras.

Los estudios observacionales reportan, usualmente, sus resultados como razones de probabilidades (OR) o riesgos relativos. Ambos son indicadores de la magnitud de una relación entre una exposición (por ejemplo, fumar o usar un medicamento) y una enfermedad o muerte. Un riesgo relativo de 1.0 indica que la exposición no cambia el riesgo de enfermedad. Un riesgo relativo de 1.75 indica que los pacientes con la exposición tienen 1 .75 veces más probabilidad de desarrollar la enfermedad o que tienen un 75 por ciento mayor riesgo de enfermedad. Un riesgo relativo menor que 1 indica en la exposición disminuye el riesgo. Las razones de probabilidades son una manera de calcular los riesgos relativos en estudios de casos control cuando los riesgos relativos no se pueden calcular específicamente Aunque la aproximación es exacta cuando la enfermedad es rara, no es buena cuando la enfermedad es común.

Los valores predictivos ayudan a interpretar los resultados de las pruebas en el cuadro clínico. El valor diagnóstico de un procedimiento se define por medio de su sensibilidad, especificidad, valor predictivo y eficacia. Cualquier método de prueba producirá un positivo verdadero (PV), negativo falso (NF), positivo falso (PF) y negativo verdadero (NV). La "sensibilidad" de una prueba es el porcentaje de todos los pacientes con enfermedad presente o que sí responden, quienes tienen una prueba positiva o (PV/ PV + NF) x 100 %. La "especificidad" de una prueba es el porcentaje de todos los pacientes sin enfermedad o que no responden, quienes tienen una prueba negativa o (NV/ PF + NV) x 100 %. El "valor predictivo" o "VP" de una prueba es una medida (%) de las veces que el valor (positivo o negativo) es el valor verdadero, es decir, el porcentaje de todas las pruebas positivas que son positivos verdaderos es el valor predictivo positivo (VP+) o (PV/ PV + PF) x 100 %. El "valor predictivo negativo" (VP-) es el porcentaje de pacientes con una prueba negativa quienes no responderán o (NV/ NF + NV) x 100 %. La "exactitud" o "eficacia" de una prueba es el porcentaje de las veces que la prueba da la respuesta correcta en comparación con la cantidad total de pruebas o (PV + NV/ PV + NV + PF + NF) x 100 %. La "tasa de error" es cuando los pacientes que se predijo que responderían, no responden y cuando los pacientes que no se predijo que responderían, responden o (PF + NF/ PV + NV + PF + NF) x 100 %. La "especificidad" global de la prueba es un indicador de la exactitud de la sensibilidad, y la especificidad de una prueba no cambia a medida que cambia la probabilidad global de enfermedad en una población, el valor predictivo sí cambia. El VP cambia con la evaluación clínica de un médico de la presencia o ausencia de enfermedad o la presencia o ausencia de respuesta clínica en un paciente específico.

Una "concentración disminuida" o "concentración menor" de un biomarcador se refiere a la concentración que es cuantificablemente menor con relación a un valor predeterminado llamado "valor límite" y mayor que el límite de cuantificación (LOQ)", cuyo "valor límite" es específico para el algoritmo y los parámetros relacionados con el muestreo del paciente y las condiciones de tratamiento.

Una "concentración mayor" o "concentración elevada" de un biomarcador se refiere a la concentración que es cuantificablemente elevada con relación a un valor predeterminado llamado "valor límite", cuyo "valor límite" es específico para el algoritmo y los parámetros relacionados con el muestreo del paciente y las condiciones de tratamiento.

El término "TNFa humano" (que en la presente invención se abrevia hTNF alfa, hTNFa o simplemente TNF), como se usa en la presente invención, pretende hacer referencia a una citocina humana que existe como una forma secretada de 17 kD y una forma asociada con la membrana de 26 kD, cuya forma biológicamente activa está compuesta de un trímero de moléculas de 17 kD unidas no cavalentemente. El término TNFa humano pretende incluir TNFa humano recombinante (rhTNFa) que se puede preparar mediante métodos estándar de expresión recombinante o adquirir comercialmente (R & D Systems, catálogo núm. 210-TA, Minneapolis, Minn.).

Terapia o tratamiento con "anti-TNFa", "anti-TNFa", "anti-TNF alfa" o simplemente "anti-TNF" se refiere a la administración a un paciente de una molécula biológica (farmacéutica) con la capacidad de bloquear, inhibir, neutralizar, evitar la unión a receptores o prevenir la activación de TNFR por medio de TNFa. Los ejemplos de tales biofarmacéuticos son Mabs de neutralización de TNFa que incluyen, pero no se limitan a, los anticuerpos comercializados bajo los nombres genéricos de infliximab y adalimumab y los anticuerpos en desarrollo clínico, tales como golimumab; también se incluyen los constructos distintos a anticuerpos que tienen la capacidad de unirse a TNFa, tales como la quimera de inmunoglobulina de TNFR conocida como enteracept. El término incluye cada uno de los anticuerpos humanos anti-TNFa y las porciones de los anticuerpos descritos en la presente invención, así como los descritos en las patentes de los Estados Unidos núm. 6,090,382; 6,258,562; 6,509,015 y en las solicitudes de patente los Estados Unidos con serie núm. 09/801185 y 10/302356. En una modalidad el inhibidor del TNFa que se usa en la presente invención es un anticuerpo anti-TNFa o un fragmento de éste, que incluye infliximab (Remicade®, Johnson and Johnson; descrito en la patente de los Estados Unidos núm. 5,656,272, que se incorpora en la presente descripción como referencia), CDP571 (un anticuerpo humanizado monoclonal lgG4 anti-TNF-alfa), CDP 870 (un fragmento del anticuerpo humanizado monoclonal anti-TNF-alfa), un dAb anti-TNF (Peptech), CNTO 148 (golimumab y Centocor, véase la patente núm. WO 02/12502) y adalimumab (Humira® Abbott Laboratories, un mAb humano anti-TNF, descritos en la patente de los Estados Unidos núm. 6,090,382 como D2E7). Otros anticuerpos del TNF que se pueden usar en la presente invención se describen en las patentes de los Estados Unidos núms. 6,593,458; 6,498,237; 6,451 ,983 y 6,448,380, que se incorporan en la presente descripción como referencia. En otra modalidad el inhibidor del TNFa es una proteína de fusión del TNF, por ejemplo, etanercept (Enbrel®, Amgen; descrito en las patentes núms. WO 91/03553 y WO 09/406476, que se incorporan en la presente descripción como referencia). En otra modalidad el inhibidor del TNFa es una proteína de unión a TNF recombinante (r-TBP-l) (Serono).

"Muestra" o "muestra del paciente" se refiere a un espécimen que es una célula, tejido, fluido o una porción de éstos extraída, producida, recolectada u obtenida de cualquier manera de un paciente que se piensa que tiene o que ha tenido síntomas asociados con una enfermedad relacionada con TNF alfa.

Generalidades Los avances recientes en tecnologías como la proteómica presentan patólogos con el reto de integrar la nueva información generada mediante métodos de gran productividad con modelos diagnósticos actuales basados en correlaciones clinicopatológicas y frecuentemente con la inclusión de hallazgos histopatológicos. Los desarrollos paralelos en el campo "de la informática y la bioinformática médica proporcionan los métodos técnicos y matemáticos para tratar estos problemas de manera racional proporcionándole al médico, patólogo u otro especialista médico nuevas herramientas en forma de modelos de diagnóstico y de pronóstico multivariantes y multidisciplinarios, los cuales se espera que proporcionen información más precisa e individualizada relacionada con el paciente. La medicina basada en la evidencia (EBM) y el análisis de decisiones médicas (MDA) se encuentran entre estas disciplinas relativamente nuevas que usan métodos cuantitativos para evaluar el valor de la información e integrar la llamada mejor evidencia en modelos multivariantes para la evaluación de pronóstico, la respuesta a la terapia y la selección de las pruebas de laboratorio que pueden afectar el cuidado individual del paciente.

La presente invención incluye diversos aspectos: 1. El uso de suero para identificar los biomarcadores relacionados con la respuesta o la falta de respuesta al tratamiento con anti-TNF, como golimumab, en pacientes con EA. 2. La capacidad de predecir la respuesta o la falta de respuesta a un tratamiento con Mab anti-TNF alfa, tal como golimumab, con el uso de biomarcadores presentes en suero de un paciente diagnosticado con EA antes de iniciar la terapia de anti-TNF. 3. Un algoritmo para predecir el resultado en pacientes con EA con tratamiento de anti-TNF a. La respuesta o falta de respuesta clínica de pacientes con EA a anti-TNFa en la semana 14 se puede predecir al momento de la evaluación (semana 0) con el uso de biomarcadores presentes en el suero de pacientes diagnosticados con EA antes de iniciar la terapia con anti-TNF. b. La respuesta o falta de respuesta clínica de los pacientes con EA al tratamiento con anti-TNFa en la semana 14 se puede predecir con el uso del cambio en los biomarcadores a partir de un valor inicial obtenido antes de iniciar la terapia (semana 0) y en la semana 4 después de iniciar la terapia. c. La respuesta o falta de respuesta clínica de los pacientes con EA al tratamiento con anti-TNFa en la semana 14 se puede predecir con el uso del cambio en los biomarcadores a partir de un valor inicial obtenido antes de iniciar la terapia (semana 0) en conjunto con el cambio en los biomarcadores en la semana 4 después de iniciar la terapia. 4. Dispositivos, sistemas y kits que comprenden medios para usar los marcadores de la invención para predecir la respuesta o falta de respuesta de un paciente con EA a la terapia con anti-TNFa.

Para definir los marcadores útiles para desarrollar un algoritmo predictivo en base a las concentraciones de los marcadores, el suero se obtuvo de pacientes que habían sido tratados con golimumab. El suero se puede obtener al inicio (semana 0), semana 4 y semana 14 de tratamiento u otro intermedio o momentos específicos más prolongados. Se analiza varios biomarcadores en las muestras de suero y se determina la concentración inicial, así como el cambio en la concentración de los biomarcadores después del tratamiento. Después la línea base y el cambio en la expresión de los biomarcadores se usan para determinar si la expresión de los biomarcadores está relacionada con el resultado del tratamiento en la semana 14 u otro momento específico definido después de iniciar el tratamiento según lo evaluado por ASAS20 u otra medida de respuesta clínica. En una modalidad el proceso para definir los marcadores relacionados con la respuesta clínica de un paciente con EA a la terapia con anti-TNF alfa y para desarrollar un algoritmo para predecir la respuesta o falta de respuesta involucrada en las concentraciones séricas de esos marcadores usa un análisis gradual en donde las correlaciones iniciales se realizan por medio de análisis de regresión logística al asociar el valor para cada biomarcador para cada paciente en las semanas 0, 4 y 14 con la evaluación clínica para ese paciente en las semanas 14 y 24, y una vez determinada la capacidad que tiene un marcador de correlacionarse significativamente a la respuesta a la terapia en múltiples puntos finales clínicos, se desarrolla un único algoritmo en base a los valores séricos definidos de un marcador o grupo de marcadores con el uso de CART u otro método analítico adecuado, tal como se describe en la presente invención o como se conoce en la materia.

Además de los otros marcadores descritos en la presente invención, los marcadores del grupo de datos se pueden seleccionar de una o más marcas distintivas clínicas, por ejemplo, edad, género, presión sanguínea, altura y peso, índice de masa corporal, concentración de CRP, uso de tabaco, frecuencia cardíaca, concentración de insulina en ayuno, concentración de glucosa en ayuno, estado diabético, uso de otros medicamentos y evaluaciones específicas funcionales y del comportamiento y/o evaluaciones radiológicas u otras evaluaciones basadas en imágenes en donde se aplica valores numéricos a las medidas individuales o se genera un puntaje numérico global. Típicamente, se evalúa las variables clínicas y los datos resultantes se combinan en un algoritmo con los marcadores descritos anteriormente.

Antes de ingresarlos en el proceso analítico, se recolecta los datos en cada grupo de datos al determinar los valores para cada marcador, usualmente, por triplicado o múltiples triplicados. Los datos se pueden manipular, por ejemplo, los datos crudos se pueden transformar con el uso de curvas estándar y el promedio de las mediciones por triplicado se pueden usar para calcular la desviación promedio y estándar para cada paciente. Estos valores se pueden transformar antes de ser usados en los modelos, por ejemplo, transformados logarítmicamente o transformados por Box-Cox (véase Box and Cox (1964) J. Royal Stat. Soc, serie B, 26:21 1 núm. 8212¡246), etc. Después estos datos se pueden ingresar en el proceso analítico con parámetros definidos.

De este modo, después los datos cuantitativos obtenidos relacionados con los marcadores proteicos y otros componentes del grupo de datos se someten a un proceso analítico con parámetros previamente determinados con un algoritmo de aprendizaje, es decir, se ingresan en un modelo predictivo, como en los ejemplos que se proporcionan en la presente invención (Ejemplos 1-3). Los parámetros del proceso analítico pueden ser los descritos en la presente invención o los derivados con el uso de los lineamientos descritos en la presente invención. Los algoritmos de aprendizaje, tales como análisis discriminante lineal, eliminación recursiva de variables, análisis predictivo de micromatrices, regresión logística, CART, FlexTree, LART, bosque aleatorio, MART u otro algoritmo de aprendizaje computarizado se aplican a la referencia adecuada o a los datos de capacitación para determinar los parámetros para los procesos analíticos adecuados para la clasificación de una respuesta a EA o falta de respuesta.

El proceso analítico puede establecer un umbral para determinar la probabilidad de que una muestra pertenezca a una clase específica. La probabilidad es, preferentemente, por lo menos 50 %, por lo menos 60 %, por lo menos 70 %, por lo menos 80 % o mayor.

En otras modalidades el proceso analítico determina si una comparación entre un grupo de datos obtenidos y un grupo de datos de referencia produce una diferencia estadísticamente significativa. Si es así, entonces la muestra de la cual se obtuvo el grupo de datos se clasifica como no perteneciente a la clase de grupo de datos de referencia. Por el contrario, si la comparación no es estadística ni significativamente distinta del grupo de datos de referencia, entonces la muestra de la cual se obtuvo el grupo de datos se clasifica como perteneciente a la clase de grupo de datos de referencia.

Generalmente, el proceso analítico estará en forma de un modelo generado mediante un método analítico estadístico, tal como un algoritmo lineal, un algoritmo cuadrático, un algoritmo polinomial, un algoritmo de árbol para la toma de decisiones o un algoritmo de votación.

Uso de los grupos de datos de referencia/capacitación para determinar los parámetros del proceso analítico Con el uso de cualquier algoritmo de aprendizaje adecuado se usa un grupo de datos de referencia o de capacitación adecuado para determinar los parámetros del proceso analítico a usar para la clasificación, es decir, se desarrolla un modelo predictivo.

El grupo de datos de referencia o de capacitación a usar dependerá de la clasificación de EA deseada a determinar, por ejemplo, con respuesta o sin respuesta El grupo de datos puede incluir datos de dos, tres, cuatro o más clases.

Por ejemplo, para usar un algoritmo de aprendizaje supervisado para determinar los parámetros para un proceso analítico usado para predecir la respuesta a la terapia con anti-TNF alfa, se usa un grupo de datos que comprende muestras control y con enfermedad como grupo de capacitación. Alternativamente, un algoritmo de aprendizaje supervisado se puede usar para desarrollar un modelo predictivo para la terapia de la enfermedad EA.

Análisis estadístico Los siguientes son ejemplos de los tipos de métodos de análisis estadístico disponibles para una persona con experiencia en la materia para ayudar en la práctica de los métodos descritos. El análisis estadístico se puede aplicar para una o ambas tareas. Primero, se puede usar éstos y otros métodos estadísticos para identificar los subgrupos preferidos de los marcadores y otras marcas distintivas que formarán un grupo preferido de datos. Adicionalmente, se puede usar éstos y otros métodos estadísticos para generar el proceso analítico que se usará con el grupo de datos para generar el resultado. Varios de los métodos estadísticos que se presentan en la presente invención o disponibles de otra manera en la materia realizarán ambas tareas y producirán un modelo adecuado para usar en un proceso analítico para la práctica de los métodos descritos en la presente invención.

En una modalidad específica los biomarcadores y sus características correspondientes (por ejemplo, niveles de expresión o concentraciones séricas) se usan para desarrollar un proceso analítico o una pluralidad de procesos analíticos que discriminan entre clases de pacientes, por ejemplo, pacientes con respuesta y pacientes sin respuesta a la terapia con anti-TNF alfa. Una vez que se haya estructurado el proceso analítico con el uso de algoritmos de análisis de datos ilustrativos u otras técnicas conocidas en la materia, el proceso analítico se puede usar para clasificar un sujeto de prueba en una de dos o más clases fenotípicas (por ejemplo, un paciente que se predijo que responderá a la terapia con anti-TNF alfa o un paciente que no responderá). Esto se logra al aplicar el proceso analítico a un perfil de marcadores obtenido del sujeto de prueba. Por lo tanto, tales procesos analíticos tienen un enorme valor como indicadores de diagnóstico.

Los métodos descritos permiten, en un aspecto, la evaluación de un perfil de marcadores de un sujeto de prueba hasta los perfiles de marcadores obtenidos a partir de una población de capacitación. En algunas modalidades cada perfil de marcadores obtenido de los sujetos en la población de capacitación, así como el sujeto de prueba, comprende una característica para cada uno de una gran variedad de marcadores distintos. En algunas modalidades esta comparación se obtiene al (i) desarrollar un proceso analítico con el uso de los perfiles de marcadores a partir de la población de capacitación y (ii) aplicar el proceso analítico al perfil de marcadores a partir del sujeto de prueba. Como tal, el proceso analítico aplicado en algunas modalidades de los métodos descritos en la presente invención se usa para determinar si un paciente de prueba con EA está pronosticado para responder a la terapia con anti-TNF alfa o si un paciente no responderá.

De este modo, en algunas modalidades, el resultado en la situación de decisión binaria descrita anteriormente tiene cuatro resultados posibles: (i) una respuesta verdadera, en donde el proceso analítico indica que el sujeto sí responderá a la terapia con anti-TNF alfa y el sujeto en realidad responde a la terapia con anti-TNF alfa durante el período de tiempo definido (positivo verdadero, PV); (ii) una respuesta falsa, en donde el proceso analítico indica que el sujeto sí responderá a la terapia con anti-TNF alfa y el sujeto en realidad no responde a la terapia con anti-TNF alfa durante el período de tiempo definido (positivo falso, PF); (iii) sin respuesta verdadera, en donde el proceso analítico indica que el sujeto no responderá a la terapia con anti-TNF alfa y el sujeto no responde a la terapia con anti-TNF alfa durante el período de tiempo definido (negativo verdadero, NV); o (iv) sin respuesta falsa, en donde el proceso analítico indica que el paciente no responderá a la terapia con anti-TNF alfa y el sujeto en realidad sí responde a la terapia con anti-TNF alfa durante el período de tiempo definido (negativo falso, NF).

Los algoritmos de análisis de datos relevantes para desarrollar un proceso analítico incluyen, pero no se limitan a, análisis discriminante que incluyen técnicas lineales, técnicas logísticas y técnicas de discriminación más flexibles (véase, por ejemplo, Gnanadesikan, 1977, Methods for Statistical Data Analysis of Multi va ríate Observations, New York: Wiley 1977, que se incorpora en la presente descripción como referencia en su totalidad); algoritmos a base de árboles, tales como árboles de clasificación y regresión (CART) y variantes (véase, por ejemplo, Breiman, 1984, Classification and Regression Trees, Belmont, Calif.: Wadsworth International Group, que se incorpora en la presente descripción como referencia en su totalidad); modelos aditivos generalizados (véase, por ejemplo, Tibshirani, 1990, Generalized Additive Models, London: Chapman and Hall, que se incorpora en la presente descripción como referencia en su totalidad) y redes neurales (véase, por ejemplo, Neal, 1996, Bayesian Learning for Neural Networks, New York: Springer-Verlag y Insua, 1998, Feedforward neural networks for nonparametric regression In: Practical Nonparametric and Semiparametric Bayesian Statistics, págs. 181-194, New York: Springer, que se incorporan en la presente descripción como referencia en su totalidad).

En una modalidad específica un algoritmo de análisis de datos de la presente invención comprende árbol de clasificación y regresión (CART), árbol de múltiples regresiones aditivas (MART), análisis de predicción para micromatrices (PAM) o análisis de bosque aleatorio. Tales algoritmos clasifican espectros complejos a partir de materiales biológicos, como una muestra de sangre, para distinguir entre los sujetos normales y los sujetos que poseen niveles de expresión de biomarcadores característicos de un estado de la enfermedad particular. En otras modalidades un algoritmo de análisis de datos de la presente invención comprende ANOVA y equivalentes no paramétricos, análisis discriminante lineal, análisis de regresión logística, análisis clasificador de elementos afines, redes neurales, análisis de componentes principales, análisis discriminante cuadrático, clasificadores de regresión y máquinas de soporte vectorial.

Aunque tales algoritmos se pueden usar para construir un proceso analítico y/o aumentar la velocidad y la eficacia de la aplicación del proceso analítico y para evitar parcialidad del investigador, el experto en la materia sabrá que no se requiere un dispositivo computarizado para llevar a cabo los métodos con el uso de los modelos predictivos de la presente invención.

Resultados del análisis CART En un aspecto de la presente invención, los análisis de marcadores séricos en pacientes diagnosticados con EA se enfocaron en las relaciones significativas entre los valores de biomarcadores iniciales y en la respuesta a la terapia con anti-TNFa. En otro aspecto de la presente invención los análisis del cambio en los marcadores séricos a partir del inicio (antes de la terapia con anti-TNF alfa) hasta la semana 4 después de la terapia en los marcadores séricos en pacientes diagnosticados con EA se relacionaron con la respuesta clínica o falta de respuesta del paciente posteriormente (semana 14).

En una modalidad específica de la invención se descubrió que la concentración inicial de leptina podría ser un clasificador inicial para predecir el resultado de la semana 14 según ASAS20 para los pacientes tratados con golimumab. En una modalidad alternativa la osteocalcina inicial podría ser un clasificador inicial para predecir el resultado de la semana 14 según ASAS20 0 el BASDAI para pacientes tratados con golimumab. Los médicos pueden usar esta información para determinar quiénes se benefician del tratamiento con golimumab y para identificar a los pacientes que no se benefician con el tratamiento, lo cual también es importante.

Alternativamente, se usó el BASDAI como el componente del resultado clínico del modelo y TIMP-1 inicial, la osteocalcina inicial o el cambio en el componente 3 del complemento fue el marcador inicial para la clasificación en conjunto con los cambios en G-CSF cuando el valor de TIMP- 1 se elevó y la fosfatasa ácida prostética cuando el valor de TIMP-1 fue menor que el valor límite más un valor de MCP-1 menor que un valor límite predijo el resultado en la semana 14.

Predicción de los biomarcadores iniciales de la respuesta a la terapia con anti-TNFa.

Cuando se formó un algoritmo predictivo a partir de los grupos de datos que comprende únicamente los valores de concentración sérica de biomarcadores iniciales y se correlacionaron con la respuesta clínica de un paciente con EA tratado con una terapia con anti-TNF alfa en más de un método de respuesta clínica de evaluación, como ASAS20 y BASDAI, los marcadores incluyeron leptina, TIMP-1 , ligando CD40, G-CSF, MCP-1 , osteocalcina, PAP e insulina.

Tal como se demostró en la presente invención, en el análisis de los biomarcadores séricos obtenidos de pacientes con EA al inicio (semana 0, antes del tratamiento), analizados mediante un ensayo multíplice, el mejor modelo CART incluía leptina como el clasificador inicial: se predice que los sujetos con leptina mayor que 3.8 (escala logarítmica) no tienen respuesta; se predice que los sujetos con leptina menor que 3.8 se clasifican en base al indicador secundario de ligando CD40 (ligando CD40 mayor que 1.05 sí tienen respuesta, se predice que los sujetos con ligando CD40 menor que 1 .05 no tienen respuesta) (Figura 1 ). La sensibilidad del modelo fue 86 % y la especificidad del modelo fue 88 %. Cuando el indicador clínico se cambió desde el inicio hasta la semana 14 en el BASDAI y los datos de los biomarcadores de la línea base se analizaron mediante distintos biomarcadores múltiples se convirtieron en clasificadores: TIMP-1 , fosfatasa ácida prostética, GCSF y MCP-1 (Fig 2) pero la exactitud global del modelo BASDAI fue similar al modelo ASAS20.

En el análisis de los biomarcadores séricos obtenidos de pacientes con EA al inicio (semana 0, antes del tratamiento), analizados por un ensayo multíplice y EIA individual, el mejor modelo CART incluía osteocalcina como el clasificador inicial: se predice que los sujetos con osteocalcina mayor que 3.878 (escala logarítmica) sí tienen respuesta; los sujetos con osteocalcina menor que 3.878 también se clasifican en base a la fosfatasa ácida prostética (Figura 3). La sensibilidad del modelo fue 90 % y la especificidad del modelo fue 84 %. Por lo tanto, el uso de los datos de un ensayo multíplice además de ensayos de EIA individual y la correlación de los resultados ya sea con BASDAI y ASAS20 produjo modelos que incluían tanto osteocalcina como fosfatasa ácida prostética como clasificadores. El modelo en base al BASDAI incorporaba insulina como clasificador adicional. La exactitud modelo fue 61/76 (80 %) para la predicción de la respuesta clínica del BASDAI (Figura 4).

Estos resultados sugieren que un médico puede determinar las concentraciones de biomarcadores iniciales antes del tratamiento para identificar qué pacientes tratados con golimumab responderán o no responderán al tratamiento.

Cambio en los biomarcadores como indicador temprano del resultado Se descubrió que el cambio en los biomarcadores de las concentraciones séricas iniciales en la semana 4 en pacientes con EA se correlaciona con la respuesta clínica en más de un método de respuesta clínica de evaluación, como ASAS20 y BASDAI e incluye: leptina, VEGF, complemento 3, ICAM-1 y ferritina.

Para el análisis de los biomarcadores séricos obtenidos de pacientes con EA al inicio y semana 4 analizados únicamente por ensayo multíplice, el modelo de biomarcadores usa leptina como el clasificador inicial: se predice que los sujetos con leptina mayor que 3.8 (escala logarítmica) no tienen respuesta; los sujetos con leptina menor que 3.8 se clasifican en base a dos clasificadores adicionales: i) el cambio en el complemento 3 y ii) VEGF (Fig. 5). La sensibilidad del modelo fue 92 % y la especificidad del modelo fue 81 %. Cuando el indicador clínico se cambió desde el inicio hasta la semana 14 en el BASDAI, la exactitud global fue similar al modelo ASAS20, el cambio en el componente 3 del complemento fue el clasificador inicial seguido de dos subclasificaciones con el uso de la ferritina inicial seguido del cambio en ICAM-1 (Fig. 6).

Los ejemplos específicos descritos en la presente invención para generar un algoritmo útil para predecir la respuesta o falta de respuesta de un paciente con EA a la terapia con anti-TNF alfa indican que múltiples marcadores son correlativos de los procesos de EA y que hasta ahora la interpretación cuantitativa de cada biomarcador en particular en el diagnóstico o predicción de la respuesta a la terapia no se ha establecido adecuadamente. Los solicitantes han demostrado que un algoritmo se puede generar con el uso de un muestreo de datos del paciente en base a marcadores específicos definidos. En un método con el uso de los marcadores de la invención, se usa un dispositivo computarizado para capturar los datos del paciente y realizar el análisis necesario. En otro aspecto, el dispositivo o sistema computarizado puede usar los datos presentados en la presente invención como un "grupo de datos de capacitación" para generar la información clasificadora que se requiere para aplicar el análisis predictivo.

Instrumentos, reactivos v kits para realizar el análisis La medición de los biomarcadores séricos para predecir la respuesta de un paciente diagnosticado con EA a la terapia con anti-TNF se puede realizar en un laboratorio clínico o de investigación, en un laboratorio centralizado en un hospital o en una localidad que no sea un hospital, con el uso de métodos inmunoquímicos y biofísicos estándar, tal como se describe en la presente invención. La cuantificación de los marcadores se puede realizar al mismo tiempo que, por ejemplo, otras mediciones estándar, tales como conteo de glóbulos blancos, plaquetas y ESR. El análisis se puede realizar individualmente o en lotes con el uso de kits comerciales o con el uso de análisis multíplice en las muestras individuales de los pacientes.

En un aspecto de la invención se usa reactivos individuales y en grupos en una o más etapas para determinar las cantidades relativas o absolutas de un biomarcador, panel o biomarcadores en una muestra del paciente. Los reactivos se pueden usar para capturar el biomarcador, tal como un anticuerpo inmunoespecífico para un biomarcador, que forma un par ligando-biomarcador detectable mediante una medición indirecta, tal como el ensayo inmunoespecífico acoplado a enzima. Se puede realizar un único EIA analito o análisis multíplice. El análisis multíplice es una técnica por la cual se puede realizar múltiples ensayos basados en EIA simultáneos con el uso de una sola muestra de suero. Una plataforma útil para cuantificar grandes cantidades de biomarcadores en un volumen de muestra bastante pequeño es la tecnología xMAP® que usó Rules Based Medicine en Austin, Texas (propiedad de Luminex "Corporation), la cual realiza hasta 100 es ensayos multíplices basados en microesferas en un solo recipiente de reacción al combinar esquemas de clasificación óptica, ensayos bioquímicos, citometría de flujo y equipo y programas de procesamiento digital de señales avanzado. En la tecnología se logra multiplexar al asignar a cada ensayo específico del analito un grupo de microesferas etiquetadas con una marca fluorescente única. Los ensayos multíplices se analizan en un dispositivo de flujo que analiza cada microesfera individualmente a medida que pasa a través de una red y un láser verde. Alternativamente, los métodos y reactivos se usan para procesar la muestra para detectar y posiblemente cuantíficar con el uso de una medición física directa, tal como masa, carga o una combinación tal como por medio de SELDI. También se ha desarrollado ensayos de monitoreo de múltiples reacciones espectrométricos de masa cuantitativa, tales como los comercializados por NextGen Sciences (Ann Arbor, MI).

Por lo tanto, de conformidad con un aspecto de la invención, la detección de los biomarcadores para evaluar el estado de EA implica poner en contacto una muestra de un sujeto con un sustrato, por ejemplo, una sonda con reactivo de captura bajo condiciones que permitan la unión entre el biomarcador y el reactivo y después detectar el biomarcador unido al adsorbente mediante un método adecuado. Un método para detectar el marcador es la espectrometría de iones en fase gaseosa, por ejemplo, espectrometría de masa. Otros paradigmas de detección que se pueden usar con este objetivo incluyen métodos ópticos, métodos electroquímicos (voltometría, amperometría o técnicas electroquímicas luminescentes), microscopía de fuerza atómica y métodos de radiofrecuencia, por ejemplo, espectroscopia de resonancia multipolar. Los ejemplos de métodos ópticos, además de la microscopía, tanto confocal como no confocal, son la detección de fluorescencia, luminiscencia, quimiluminiscencia, absorbancia, reflectancia, transmitancia y birrefringencia o índice de refracción (por ejemplo, resonancia de plasmones superficiales, elipsometría, un método de espejo resonante, un método de guía de onda con acoplador de rejilla o interferometría) y métodos fluorescentes o calorimétricos acoplados a enzimas.

Los especímenes de pacientes pueden requerir ser procesados antes de aplicar el método de detección al espécimen o muestra procesada por medio de, pero sin limitarse a, métodos para concentrar, purificar o separar el marcador de otros componentes del espécimen. Por ejemplo, una muestra de sangre se trata, generalmente, con un anticoagulante y se remueve los componentes celulares y las plaquetas antes de someterla a los métodos para detectar la concentración de los analitos. Alternativamente, la detección se puede llevar a cabo por medio de un sistema de procesamiento continuo que incorpora materiales o reactivos para lograr las etapas de concentrar, separar o purificar. En una modalidad el sistema de procesamiento incluye el uso de un reactivo de captura. Un tipo de reactivo de captura es un "absorbente cromatográfico" que es un material que se usa, típicamente, en cromatografía. Los absorbentes cromatográficos incluyen, por ejemplo, materiales para intercambio de iones, queladores metálicos, quelatos metálicos inmovilizados, absorbentes de interacción hidrofóbica, absorbentes de interacción hidrofílica, colorantes, biomoléculas simples (por ejemplo, nucleótidos, aminoácidos, azúcares simples y ácidos grasos), absorbentes de modo mixto (por ejemplo, absorbentes de atracción hidrofóbica/repulsión electrostática). Un reactivo de captura "bioespecífico" es un reactivo de captura que es una biomolécula, por ejemplo, un nucleótido, una molécula de ácido nucleico, un aminoácido, un polipéptido, un polisacárido, un lípido, un esteroide o un conjugado de éstos (por ejemplo, una glucoproteína, una lipoproteína, un glucolípido). En algunos casos el absorbente bioespecífico puede ser una estructura macromolecular, tal como un complejo multiproteico, una membrana biológica o un virus. Los absorbentes bioespecíficos ilustrativos son anticuerpos, proteínas receptoras y ácido nucleicos. Un absorbente bioespecífico tiene, típicamente, mayor especificidad para un analito objetivo que un absorbente cromatográfico.

Entonces la detección y cuantificación de los biomarcadores de conformidad con la invención se pueden mejorar con el uso de ciertas condiciones de selectividad, por ejemplo, soluciones adsorbentes o de lavado. Una solución de lavado se refiere a un agente, típicamente, una solución, que se usa para afectar o modificar la adsorción de un analito a una superficie adsorbente y/o para eliminar los materiales no unidos de la superficie. Las características de elución de una solución de lavado pueden depender, por ejemplo, del pH, fuerza iónica, hidrofobicidad, grado de caotropismo, fuerza del detergente y temperatura.

En un aspecto de la presente invención, una muestra se analizará de forma multiplexada, lo cual significa que el procesamiento de los marcadores de las muestras de un paciente ocurre casi simultáneamente. En un aspecto, la muestra hace contacto con un sustrato que comprende múltiples reactivos de captura que representan especificidad única. Los reactivos de captura son, comúnmente, anticuerpos inmunoespecíficos o fragmentos de éstos. El sustrato puede ser un componente único, tal como un "biochip", un término que denota un sustrato sólido que tiene, generalmente, una superficie planar a la cual se une un reactivo de captura o los reactivos de captura se pueden segregar entre varios sustratos, por ejemplo, unidos a sustratos esféricos individuales (bolillas). Frecuentemente, la superficie de un biochip comprende una gran variedad de sitios dirigibles, en cada uno de los cuales hay unido un reactivo de captura. Un biochip se puede adaptar para acoplar una interfase de sondas y, por lo tanto, funcionar como una sonda en la espectrometría de iones en fase gaseosa, preferentemente, espectrometría de masa. Alternativamente, un biochip de la invención se puede colocar sobre otro sustrato para formar una sonda que se pueda insertar en el espectrómetro. En el caso de las bolillas, las bolillas individuales se pueden dividir o distribuir después de exponerlas a la muestra para la detección.

Una gran variedad de biochips están disponibles para la captura y detección de los biomarcadores de conformidad con la presente invención, de fuentes comerciales, tales como Ciphergen Biosystems (Fremont, CA), Perkin Elmer (Packard BioScience Company (Meriden CT), Zyomyx (Hayward, CA) y Phylos (Lexington, MA), GE Healthcare, Corp. (Sunnyvale, CA). Los ejemplos de estos biochips son los descritos en las patentes de los Estados Unidos núms. 6,225,047, supra y 6,329,209 (Wagner y otros;) y en la patente núm. WO 99/51773 (Kuimelis and Wagner), patente núm. WO 00/56934 (Englert y otros;) y, particularmente, los que usan métodos eletroquímicos y electroquímicos de luminiscencia para detectar la presencia o la cantidad de un marcador analito en una muestra, tales como los multiespecíficos y de multimatrices que enseñan Wohlstadter y otros; patente núm. W098/12539 y patente de los Estados Unidos núm. 6066448.

Un sustrato con captura bioespecífica y/o reactivos de detección está en contacto con la muestra, que contiene, por ejemplo, suero, durante un período de tiempo suficiente para permitir que el biomarcador que pueda estar presente se una al reactivo. En una modalidad de la invención más de un tipo de sustrato con captura bioespecífica o reactivos de detección sobre éste está en contacto con la muestra biológica. Después del período de incubación el sustrato se lava para remover el material no unido. Se puede usar cualquier solución de lavado adecuada; preferentemente, se usa soluciones acuosas.

Los biomarcadores unidos a los sustratos se detectan después de la desorción directamente con el uso de un espectrómetro de iones en fase gaseosa, tal como espectrómetro de tiempo de vuelo y masa. Los biomarcadores se ionizan mediante una fuente de ionización, tal como un láser, los iones generados se recolectan mediante un ensamblaje óptico de iones y después un analizador de masa dispersa y analiza los iones que pasan. Después, el detector traduce la información de los iones detectados en relaciones de masa-carga. La detección de un biomarcador involucra, típicamente, la detección de la intensidad de señales. Por lo tanto, se puede determinar tanto la cantidad como la masa del biomarcador. Tales métodos se pueden usar para descubrir biomarcadores y, en algunos casos, para cuantificar los biomarcadores.

En otra modalidad el método de la presente invención es un dispositivo microfluídico con la capacidad de miniaturizar el manejo de las muestras líquidas y un dispositivo de análisis para el analizar fases líquidas, tal como se enseña en, por ejemplo, las patentes de los Estados Unidos núm. 5571410 y RE36350, útiles para detectar y analizar solutos pequeños y/o macromoleculares en la fase líquida, opcionalmente, con el uso de medios de separación cromatográfica, medios de separación electroforética, medios de separación electrocromatográfica o combinaciones de éstas. El dispositivo microfluídico o "microdispositivo" puede comprender múltiples canales arreglados de tal manera que el fluido analito se pueda separar, de tal manera que los biomarcadores se puedan capturar y, opcionalmente, detectar en sitios dirigibles dentro del dispositivo (patentes de los Estados Unidos núm. 5637469, 6046056 y 6576478).

Los datos generados mediante la detección de biomarcadores se pueden analizar con el uso de una computadora digital programable. El programa computarizado analiza los datos para indicar la cantidad de marcadores detectados y la fuerza de la señal. El análisis de los datos puede incluir las etapas de determinar la fuerza de la señal de un biomarcador y eliminar los datos que se desvían de una distribución estadística predeterminada. Por ejemplo, los datos se pueden normalizar con relación a alguna referencia. La computadora puede transformar los datos resultantes en distintos formatos para visualizarlos, si se prefiere, o para análisis adicional.

Red neural artificial En algunas modalidades se usa una red neural. Una red neural se puede construir para un grupo seleccionado de marcadores. Una red neural es un modelo de dos etapas de regresión o clasificación. Una red neural tiene una estructura en capas que incluye una capa de unidades de entrada (y el sesgo) conectadas por una capa de pesos a una capa de unidades de salida. Para la regresión, la capa de unidades de salida incluye, típicamente, únicamente una unidad de salida. Sin embargo, las redes neurales pueden manejar múltiples respuestas cuantitativas de manera uniforme.

En las redes neurales de capas múltiples hay unidades de entrada (capa de entradas), unidades escondidas (Capa escondida) y unidades de salida (capaz de salidas). Además, existe una sola unidad de sesgo que se une a cada unidad aparte de las unidades de ingresos. Las redes neurales se describen en Duda y otros; 2001 , Pattern Classification, segunda edición, John Wiley & Sons, Inc., New York y Hastie y otros; 2001 , The Elements of Statistical Learning, Springer-Verlag, New York El método básico del uso de las redes neurales es comenzar con una red no capacitada, presentar un patrón de capacitación, por ejemplo, perfiles de los marcadores de los pacientes en el grupo de datos de capacitación, a la capa de entradas y pasar señales a través de la red y determinar la salida, por ejemplo, el pronóstico de los pacientes en el grupo de datos de capacitación, en la capa de salidas. Después, estas salidas se comparan con los valores objetivo, por ejemplo, los resultados reales de los pacientes en el grupo de datos de capacitación y cualquier diferencia corresponde a un error. Esta función de error o criterio es una función escalar de los pesos y se minimiza cuando las salidas de la red coinciden con las salidas deseadas. Por lo tanto, los pesos se ajustan para reducir esta medida de error. Para la regresión, este error puede ser la suma de errores al cuadrado. Para la clasificación, este error puede ser un error al cuadrado o entropía cruzada (desviación). Véase, por ejemplo, Hastie y otros; 2001 , The Elements of Statistical Learning, Springer-Verlag, New York.

Los protocolos de preparación usados comúnmente son estocástico, lote y en línea. En la capacitación estocástica, los patrones se seleccionan aleatoriamente del grupo de capacitación y los pesos de la red se actualizan para cada presentación de patrones. Las redes de capas múltiples no lineales preparadas mediante métodos de gradiente descendente, tales como la propagación estocástica hacia atrás de errores, realizan un cálculo de la probabilidad máxima de los valores de peso en el modelo definidos por la topología de la red. En la preparación en lotes, todos los patrones se presentan a la red antes de empezar el aprendizaje Típicamente, en la preparación en lotes se pasa varias veces por los datos de capacitación. En la preparación en línea, cada patrón se presenta únicamente una vez en la red.

En algunas modalidades se considera los valores iniciales para pesos. Si los pesos están cerca de cero, entonces la parte operativa del sigmoideo usado comúnmente en la capa escondida de una red neural (véase, por ejemplo, Hastie y otros; 2001 , The Elements of Statistical Learning, Springer-Verlag, New York) es apenas lineal y, por lo tanto, la red neural cae en un modelo casi lineal. En algunas modalidades los valores iniciales para pesos se escogen para que sean valores aleatorios cerca de cero. Por lo tanto, el modelo empieza casi lineal y se hace no lineal a medida que los pesos incrementan. Las unidades individuales se confinan a un sitio e introducen falta de linealidad donde se requiera. El uso de pesos exactos de cero produce derivados de cero y simetría perfecta, y el algoritmo nunca se mueve. Alternativamente, iniciar con pesos grandes produce, frecuentemente, soluciones deficientes.

Debido a que la escala de entradas determina la efectividad de la escala de pesos en la capa inferior, puede tener un gran efecto sobre la calidad de la solución final. De este modo, en algunas modalidades, al principio todos los valores de expresión se estandarizan para tener una media de cero y una desviación estándar de uno. Esto garantiza que todas las entradas se traten equitativamente en el proceso de regularización y permite la selección de un intervalo significativo para los pesos iniciales aleatorios.

Con entradas de estandarización, es típico tomar pesos uniformes aleatorios en el intervalo -0.7, +0.7.

Un problema recurrente en el uso de redes con una capa escondida es la cantidad óptima de unidades escondidas para usar en la red. La cantidad de entradas y salidas de una red se determinan mediante el problema a resolver. Para los métodos descritos en la presente invención, la cantidad de entradas para una red neural específica puede ser la cantidad de marcadores en el grupo de marcadores seleccionado.

Típicamente, la cantidad de salidas para la red neural será únicamente una: sí o no. Sin embargo, en algunas modalidades se usa más de una salida de tal manera que es posible que la red defina más de únicamente dos estados.

El programa que se usa para analizar los datos puede incluir un código que aplica un algoritmo al análisis de la señal para determinar si la señal representa un pico en una señal que corresponde a un biomarcador de conformidad con la presente invención. El programa también puede someter los datos respecto a las señales de los biomarcadores observadas al análisis de árbol o ANN para determinar si las señales de un biomarcador o una combinación de biomarcadores están presentes, lo que indica el diagnóstico o estado de la enfermedad del paciente.

De este modo, el proceso se puede dividir en la fase de aprendizaje y la fase de clasificación. En la fase de aprendizaje se aplica un algoritmo de aprendizaje a un grupo de datos que incluyen elementos de las distintas clases en las cuales se pueden clasificar, por ejemplo, datos de una gran variedad de muestras de pacientes diagnosticados con EA y quienes responden a la terapia con anti-TNFa y datos de una gran variedad de muestras de pacientes con un resultado negativo, pacientes con EA que no respondieron a la terapia con anti-TNFa. Los métodos usados para analizar los datos incluyen, pero no se limitan a, red neural artificial, máquinas de soporte vectorial, algoritmo genético y mapas de autoorganización y análisis de árbol de clasificación y regresión. Estos métodos se describen, por ejemplo, en la patente núm. WO01/31579, 3 de mayo de 2001 (Barnhill y otros;); patente núm. WO02/06829, 24 de enero de 2002 (Hitt y otros;) y patente núm. WO02/42733, 30 de mayo de 2002 (Paulse y otros;). El algoritmo de aprendizaje produce un algoritmo de clasificación dirigido a elementos de los datos, tales como marcadores particulares y concentraciones específicas de marcadores, usualmente, en conjunto, pueden clasificar una muestra desconocida en una de las dos clases, por ejemplo, pacientes con respuesta o pacientes sin respuesta. Finalmente el algoritmo clasificador se usa para pruebas predictivas.

El programa, tanto libre como patentado, está fácilmente disponible para analizar patrones en datos y para crear patrones tradicionales con cualquier criterio predeterminado para el éxito.

Kits En otro aspecto la presente invención proporciona kits para determinar cuáles pacientes con EA responderán o no al tratamiento con un agente anti-TNFa, como golimumab, cuyos kits se usan para detectar los marcadores séricos de conformidad con la presente invención. Los kits analizan para detectar la presencia de marcadores séricos y combinaciones de marcadores que se encuentran de modo distinto en los pacientes con EA.

En un aspecto, el kit contiene un medio para recolectar una muestra como una lanceta o herramienta de perforación para provocar una "punción" a través de la piel. El kit puede contener, opcionalmente, una sonda, como un tubo capilar, para recolectar sangre de la punción.

En una modalidad el kit comprende un sustrato que tiene uno o más reactivos bioespecíficos de captura para unirse a un marcador de conformidad con la presente invención. El kit puede incluir más de un tipo de reactivos bioespecíficos de captura, cada uno presente en el mismo sustrato o en distintos.

En una modalidad adicional, el kit puede comprender instrucciones para los parámetros operativos adecuados en forma de etiqueta o en un inserto por separado. Por ejemplo, las instrucciones pueden informarle al consumidor cómo recolectar la muestra o cómo vaciar o lavar la sonda. En otra modalidad adicional, el kit puede comprender uno o más contenedores con muestras de biomarcadores para usar como medida(s) de calibración.

En el método para usar el algoritmo de la presente invención para predecir la respuesta de un paciente con EA a la terapia con anti-TNF se adquiere sangre u otro fluido del paciente antes de la terapia con anti-TNF y en períodos específicos después de iniciar la terapia. La sangre se puede procesar para extraer una fracción de suero o para usarla completa Las muestras de sangre suero se pueden diluir, por ejemplo, 1 :2, 1 :5, 1 : 10, 1 :20, 1 :50 ó 1 :100 o se pueden usar sin diluir. En un formato, la muestra de suero o sangre se aplica en una tira de prueba o barra prefabricada y se incuba a temperatura ambiente durante un período de tiempo específico, tal como 1 min, 5 min, 10 min, 15 min, 1 hora o más. Después del período de tiempo específico para el ensayo, las muestras y el resultado son legibles directamente desde la tira. Por ejemplo, los resultados aparecen como sombras variantes de color o bandas grises e indican un intervalo de concentración de uno o más marcadores. El kit de la tira de prueba proporcionará las instrucciones para interpretar los resultados en base a las concentraciones relativas de uno o más marcadores. Alternativamente, se puede proporcionar un dispositivo con la capacidad de detectar la saturación de color del sistema de detección de marcadores sobre la tira; el dispositivo puede proporcionar, opcionalmente, los resultados de la interpretación de la prueba en base al algoritmo diagnóstico adecuado para la serie de marcadores.

Métodos para usar la presente invención La presente invención proporciona un método para predecir la sensibilidad a la terapia con un agente anti-TNF alfa, tal como golimumab, mediante el análisis de los biomarcadores detectados en un paciente diagnosticado con EA. En el método de la presente invención, primero, un profesional con experiencia diagnostica a un paciente con EA con el uso de criterios subjetivos y objetivos.

La investigación en curso de la patogénesis de EA se enfoca en identificar factores iniciadores, eventos corriente abajo, mediadores de inflamación y reguladores del proceso. Se ha calculado que aproximadamente 90 % del riesgo de desarrollar EA es heredable. El más poderoso de los factores de riesgo genéticos se relaciona con la molécula HLA-B27. Tomando en cuenta la importante función que la HLA-B27 desempeña en el riesgo, se ha propuesto muchos mecanismos posibles. Sin embargo, a pesar del fuerte interés y de la investigación activa, todavía no hay un consenso general de cómo la HLA-B27 contribuye a la susceptibilidad de la enfermedad. La función de los factores ambientales permanece elusiva, así como el entendimiento de la propensión de EA de involucrar la unión de ligamentos y tendones a hueso (entesis) o la participación de las articulaciones sacroilíacas.

Las características clínicas primarias de EA incluyen dolor de espalda inflamatorio causado por sacroiliitis, inflamación en otros sitios en la columna vertebral, artritis periférica, entesitis y uveítis anterior. Los cambios estructurales son consecuencia principalmente de la osteoproliferación más que de la osteodestrucción. Los sindesmofitos y la anquilosis son las características más comunes de esta enfermedad. Los síntomas característicos de la EA son dolor lumbar bajo, dolor en los glúteos, movilidad espinal limitada, dolor en la cadera, dolor en los hombros, artritis periférica y entesitis. Los síntomas neurológicos pueden ocurrir con la compresión de la médula espinal resultante de diversas complicaciones de la enfermedad. Las fracturas vertebrales se pueden desarrollar en pacientes con espinas anquilosadas con daño mínimo o no traumáticas. El sitio de fractura más común es el espacio intervertebral C5-6. Puede ocurrir subluxación atlantoaxial clínicamente significativa en hasta 21 % de los pacientes con EA y puede provocar compresión de la médula espinal. El síndrome de cauda equina es una complicación rara de EA de larga duración; su patogénesis se comprende muy poco e incluye inflamación, aracnoiditis, estiramiento mecánico, compresión de las raíces nerviosas, desmielinación e isquemia.

Métodos de evaluación clínica El diagnóstico de EA se realiza a partir de una combinación de características clínicas y la evidencia de sacroiliitis mediante algunas técnicas de obtención de imágenes definidas por 1984 Modified New York Criteria (van der Linden S, Valkenburg HA, Cats A: Evaluation of diagnostic criteria for ankylosing spondylitis. A proposal for modification of the New York criteria. Arthritis Rheum 27:361-368, 1984). Los marcadores de laboratorio de enfermedad, tales como la tasa de sedimentación de eritrocitos (ESR) y las concentraciones de proteína C reactiva (CRP), han demostrado ser poco útiles para evaluar la actividad de la enfermedad o para monitorear la respuesta al tratamiento (Spooorenberg A y otros; 1999 J Rheumatol 26:980-4).

Los criterios clínicos son: 1) dolor lumbar bajo y rigidez de más de 3 meses de duración que mejora con ejercicio pero no se alivia con descanso; 2) limitación en el movimiento de la espina lumbar, tanto en el plano sagital como en el frontal (coronal) y 3) limitación en la expansión del pecho con relación a los valores normales corregidos para la edad y el género Los criterios radiológicos son sacroilütis grado 2 o mayor bilateralmente o grado 3 o mayor unilateralmente. La categorización radiográfica de la sacroilütis consiste de 5 grados: el grado 0 es una espina normal; el grado 1 indica cambios sospechosos; el grado 2 indica esclerosis con un poco de erosión; el grado 3 indica erosiones severas, pseudodilatación del espacio articular y anquilosis parcial y el grado 4 denota anquilosis completa. La EA definitiva está presente cuando un criterio radiológico se asocia con por lo menos un criterio clínico. Se considera EA probable si hay tres criterios clínicos presentes o si existe un criterio radiológico sin señales ni síntomas para satisfacer el criterio clínico. Los grados clínicos se pueden usar como parte del grupo de datos para generar un algoritmo predictivo para la respuesta a la terapia.

Una vez que se establece el diagnóstico de EA, el médico monitorea, generalmente, los resultados clínicos a lo largo del tiempo para identificar a los pacientes con riesgo de empeoramiento de enfermedad. El grupo de estudio de evaluación de la espondilitis anquilosante (ASAS) ha definido varios parámetros centrales de la enfermedad para su manejo. El dolor en pacientes con EA se limita, usualmente, a la espalda, pero otros sitios axiales pueden ser el objetivo principal de la terapia para aliviar el dolor en pacientes con manifestaciones de la enfermedad periférica. Una única escala análoga visual (VAS) horizontal de 100 mm se usa para determinar el dolor nocturno y general en la espina. En pacientes con EA tratados con terapia con anti-TNF, el ASAS ha desarrollado criterios de respuesta. Muchos de estos criterios se describen a continuación o se pueden obtener de la American Society o reumatólogos.

El ASAS20 refleja la mejora en 20 % en diversos criterios usados para generar un "puntaje" (Anderson JJ y otros; 2001 Arthritis Rheum 44: 1876-1886). Los criterios de mejora del ASAS definen una respuesta positiva al tratamiento, en primer lugar, un 20 % de mejora relativa, en segundo lugar, 10 unidades de mejora absoluta en tres de cuatro dominios (inflamación, función, percepción del paciente del dolor y salud global del paciente, sin empeoramiento en el cuarto dominio).

El BASDAI (índice de actividad de Bath para la enfermedad espondilitis) define la actividad inflamatoria en un paciente con EA. La inflamación se puede examinar clínicamente al evaluar el grado de incomodidad y la rigidez matutina que experimenta el paciente. El BASDAI es un índice autoaplicado y cada pregunta se formula en una VAS de 100 mm (intervalo 0- 00, en donde 0 = sin rigidez y 100 = rigidez muy severa). Se ha demostrado que el puntaje es sensible al cambio con el tratamiento.

El BASMI (índice de metrología de Bath para la espondilitis anquilosante) es una medida cuantitativa evaluada por el médico de la limitaciones de la movilidad espinal que experimenta un paciente con EA. El BASMI es un índice validado consistente de cinco mediciones clínicas que incluyen rotación cervical, distancia trago-pared, flexión lateral de la espina, flexión lumbar y distancia intermaleolar, que refleja la participación segmentaria axial. El BASMI ha demostrado buena confiabilidad interobservador; sin embargo, el BASMI no puedes distinguir las limitaciones físicas como consecuencia de inflamación aguda de las limitaciones causadas por daño por enfermedad crónica. Aunque no existen estudios longitudinales publicados que demuestren la progresión del BASMI en la vida de un paciente, se asume que el puntaje del BASMI del paciente incrementaría gradualmente con el tiempo, a medida que el paciente con EA desarrolla enfermedad progresiva La correlación del BASMI con las radiografías espinales ha demostrado, en algunos casos, una correlación significativa con la presencia de daño radiográfico.

El BASFI (índice funcional de Bath para la espondilitis anquilosante) usa medidas de la función física para evaluar el grado de limitación en la capacidad del paciente para realizar las tareas diarias. La función física se determina con el uso del BASFI y del índice funcional de Dougados (DFI). Sin embargo, el BASFI es la medida más ampliamente usada tanto en la práctica clínica como en pruebas clínicas.

Se sabrá que los índices clínicos descritos en la presente invención son parte del grupo de datos de los pacientes y se les puede asignar un puntaje numérico.

Fracaso de la terapia anterior El ASAS ha preparado una declaración de consenso sobre la necesidad de terapia con anti-TNF en EA (Braun et al; 2003 Annals Rheumatic Diseases 62:817-824). Para las tres presentaciones de EA; enfermedad axial, artritis periférica y entesitis, el fracaso del tratamiento se definió como una prueba de por lo menos tres meses de tratamiento con NSAID estándar. Antes de empezar la terapia con anti-TNF, los pacientes deben haber tenido una prueba terapéutica adecuada de por lo menos dos NSAID en base al uso de dosis máximas recomendadas o toleradas de antiinflamatorios, a menos que estos fármacos estén contraindicados.

El fracaso del tratamiento con NSAID se requiere para las tres presentaciones: enfermedad axial, artritis periférica y entesitis: Para enfermedad axial sintomática, no se requiere otro tratamiento adicional antes de iniciar la terapia con anti-TNF Para la artritis periférica sintomática se requiere, normalmente, el fracaso del tratamiento corticosteroide intraarticular (por lo menos dos inyecciones) en oligoartritis. A menos que esté contraindicado o no se tolere, se debería prescribir el tratamiento estándar con DMARD con sulfasalazina a dosis toleradas en grado máximo de hasta 3 g/día durante 4 meses Para entesitis sintomática se requiere, normalmente, una prueba terapéutica adecuada de por lo menos dos inyecciones locales de esteroides, siempre y cuando estas inyecciones no estén contraindicadas.

Idoneidad para la terapia con TNFa Los agentes anti-TNF alfa están disponibles comercialmente, tales como infliximab, y se usan para tratar EA durante muchos años. Los agentes anti-TNFa han demostrado que producen una mejora dramática en la espondilitis anquilosante, al mejorar los distintos síntomas de la enfermedad, así como la calidad de vida. Un paciente con EA se puede considerar un candidato para la terapia con anti-TNF alfa en base a criterios adicionales más allá de la evaluación clínica y, opcionalmente, incapacidad de responder a la terapia alternativa, como NSAID y psicoterapia, sulfasalzina o metotrexato o bifosfonatos.

Manejo del paciente En el método de la presente invención para predecir o evaluar la sensibilidad temprana a la terapia con anti-TNF, antes de iniciar la terapia con anti-TNF, en una "visita inicial", una línea base o "semana 0" se adquiere una muestra del paciente para tratarla con terapia con anti-TNF. La muestra puede ser cualquier tejido que se pueda evaluar para detectar los biomarcadores relacionados con el método de la presente invención. En una modalidad la muestra es un fluido seleccionado del grupo que consiste de sangre, suero, orina, semen y heces. En una modalidad particular la muestra es una muestra de suero que se obtiene de la sangre del paciente extraída mediante un método estándar de venopunción directa o por medio de un catéter intravenoso.

Adicionalmente, en la visita inicial se registra la información acerca de la demografía del paciente e historial de enfermedad con EA en un formulario estandarizado o un formulario de reporte de casos. Se registrará datos como el tiempo desde el diagnóstico del paciente, historial de tratamientos anteriores, medicamentos concomitantes, concentración de proteína C reactiva (CRP) y una evaluación de la actividad de la enfermedad (por ejemplo, BASDAI, BASMI).

El paciente recibe la primera dosis de terapia con anti-TNF al momento de la visita inicial o en el transcurso de 24 - 48 horas. Al momento de la visita inicial se programa una visita para la semana 4.

En la visita de la semana 4, aproximadamente 28 días después de la administración inicial de la terapia con anti-TNFa, se obtiene una segunda muestra del paciente, preferentemente, con el uso del mismo protocolo y vía que en la muestra al inicio. Se examina al paciente y se puede realizar o monitorear otros índices, imágenes o información, como lo proscribe el profesional de salud o el diseño del estudio, tal como se indica. Se programa visitas posteriores del paciente de la siguiente forma: visitas en la semana 8, semana 12, semana 14, semana 28, etc., con el propósito de realizar evaluaciones de la enfermedad con el uso de los criterios establecidos por ASAS y BASDAI para la obtención de muestras del paciente para la evaluación de los biomarcadores.

En cualquiera de los siguientes momentos anteriores a, durante o después del tratamiento se puede evaluar otros parámetros y marcadores en la muestra del paciente o en otras muestras de tejido o fluido obtenidas del paciente. Estos pueden incluir parámetros hematológicos estándar, tales como el contenido de hemoglobina, hematocrito, volumen de glóbulos rojos, diámetro medio de los glóbulos rojos, tasa de sedimentación de eritrocitos (ESR) y similares. Se ha determinado que se puede cuantificar otros marcadores que pueden ser útiles en la evaluación de la presencia de EA en algunas o todas las muestras de los pacientes, tales como CRP (Spoorenberg A y otros; 1999. J Rheumatol 26: 980-984) e IL-6 y marcadores de degradación de cartílago, tales como N-telopéptidos séricos tipo 1 (NTX), C-telopéptidos urinarios de colágeno tipo II (CTX-II urinario) y metaloprotesasa 3 sérica de matriz (MMP3, estromelisina 1) (véase la patente de los Estados Unidos núm. 20070172897).

Los marcadores tradicionales relacionados con la inflamación que pueden ser útiles en la evaluación de respuesta al tratamiento pueden ser citocinas inflamatorias, tales como IL-8 o IL-1, quimiocinas inflamatorias, tales como ENA-78/CXCL5, RANTES, ???-1 ß; proteínas asociadas a angiogénesis (EGF, VEGF); proteasas adicionales tales como MMP-9, TIMP-1 ; moléculas que actúan en el sistema inmunológico celular (TH-1), tales como IFNy, IL-12p40, IP-10 y moléculas que actúan en el sistema inmunológico humoral (TH-2), que incluyen IL-4 e IL- 3; factores de crecimiento, tales como FGF básico; marcadores generales de la inflamación que incluyen mieloperoxidasa y moléculas relacionadas con la adhesión, tales como ICAM-1.

No se debe negar el juicio clínico del personal médico en respuesta al resultado de la prueba. Sin embargo, la prueba podría ayudar a tomar la decisión de descontinuar el tratamiento con golimumab. En una prueba en la que el modelo predictivo (algoritmo) tiene una sensibilidad de 90 % y una especificidad de 60 %, en donde el 50 % de los pacientes muestra una respuesta clínica y 50 % no muestra puntajes en las pruebas o evaluaciones congruentes con una respuesta clínica. Esto significaría: de quienes respondieron, 45 % sería identificado correctamente como pacientes con respuesta (5 serían reportados como probables pacientes sin respuesta) y 30 % de los pacientes sin respuesta serían identificados correctamente como pacientes sin respuesta (20 % serían clasificados como probables pacientes con respuesta). Por lo tanto, el beneficio global es que 60 % de todos los pacientes que no presentan respuesta podrían evitar recibir tratamiento innecesariamente o descontinuar el tratamiento en un momento específico temprano (semana 4). El 5 % de los "pacientes con respuesta" negativos falsos (identificados como probables pacientes sin respuesta) hubiera sido tratado y como con todos los pacientes, su respuesta hubiera sido valorada clínicamente antes de tomar la decisión de continuar o descontinuar el tratamiento en la semana 14 o después. El 20 % de los "pacientes sin respuesta" negativos falsos (identificados como probables pacientes con respuesta) hubiera sido valorado clínicamente y hubiera tomado el tiempo usual para tomar la decisión de descontinuar el tratamiento.

Ejemplo 1. RECOLECCIÓN Y ANÁLISIS DE MUESTRAS Se obtuvo y se evaluó las muestras de suero de pacientes registrados en el protocolo Centocor C0524T09, un estudio multicéntrico, aleatorizado, a doble ciego, controlado con placebo, de 3 grupos. Los 3 grupos consisten de placebo y dos niveles de dosis de tratamiento con anti-TNFa Mab; golimumab 50 mg o golimumab 100 mg administrado en dosis SC cada 4 semanas en pacientes con espondilitis anquilosante activa. Se realizaron evaluaciones de eficacia primaria en la semana 14 y la semana 24. Las muestras de suero para el estudio de biomarcadores se recolectaron de 100 pacientes al inicio (semana 0), semana 4 y semana 14.

Los sueros se analizaron en busca de biomarcadores con el uso de ensayos disponibles comercialmente con el uso de análisis multíplices realizados por Rules Based Medicine (Austin, TX) o ELISA de analito único. Todas las muestras se almacenaron a -80 °C hasta ser analizadas. Después las muestras se descongelaron a temperatura ambiente, se revolvieron, se hicieron girar a 13,000 x g durante 5 minutos hasta lograr la aclaración y se tomó 150 uL para análisis de antígenos en una placa principal de microtitulación. Con pipeteo automatizado, se introdujo un alícuota de cada muestra en uno de los multiplexados de microesferas de captura de los analitos. Estas mezclas de muestras y microesferas de captura se mezclaron y se incubaron exhaustivamente a temperatura ambiente durante 1 hora. Se usó y se detectó cócteles multiplexados de anticuerpos reporteros biotinilados, para cada multiplexado con el uso de estreptavidina-ficoeritrina. El análisis se realizó en un instrumento Luminex 100 y el flujo de datos resultante se interpretó con el uso del programa de análisis de datos de marca registrada desarrollado en Rules-Based Medicine e otorgado con licencia a Qiagen Instruments. Para cada multiplexado, se usó tanto calibradores como controles. Primero se determinó los controles bajos, medios y altos para cada multiplexado con los resultados de las pruebas para garantizar un desempeño adecuado del ensayo. Se determinó los valores desconocidos para cada uno de los analitos localizados en un multiplexado específico con el uso de algoritmos ponderados y no ponderados ajustados a la curva de 4 y 5 parámetros, incluidos en el paquete de análisis de datos. En cada momento específico, un total de 92 biomarcadores proteicos se sometieron a prueba (Tabla 1).

Tabla 1 Antiqeno humano Unidades Núm. de reaistro en la Swiss-Prot Adiponectina ug/ml Q 15848 Alfa-1 antitripsina mg/ml P07758 Alfa-2 macroglobulina mg/ml P01023 Alfa-fetoproteína ng/ml P02771 Apolipoproteína A-1 mg/ml P02647 Apolipoproteína Clll ug/ml P02656 Apolipoproteína H ug/ml P02749 Beta 2-microglobulina ug/ml P01884 Factor neurotrófico derivado del cerebro (BDNF) ng/ml P23560 Calcitonina pg/ml P01258 Antigeno de cáncer 125 U/ml Q14596 Antígeno de cáncer 19-9 U/ml Q9BXJ9 Antígeno carcinoembriónico ng/ml P78448 CD40 ng/ml P25942 Ligando CD40 ng/ml P29965 Componente 3 del complemento mg/ml P01024 Proteína C reactiva ug/ml P02741 Creatina cinasa MB - Cerebro ng/ml P12277 ENA-78 ng/ml P42830 (Péptido epitelial activador de neutrófilos 78) Endotelina pg/ml P05305 ENRAGE ng/ml P80511 Eotaxina pg/ml P51671 Factor de crecimiento epidérmico pg/ml P01 33 Eritropoyetina pg/ml P01588 Factor VII ng/ml P08709 Proteina de unión a ácidos grasos ng/ml P05413 Ferritina - pesada ng/ml P02794 FGF-básico pg/ml P09038 Cadena alfa de fibrinógeno mg/ml P02671 G-CSF pg/ml P09919 Glutatión S-Transferasa alfa ng/ml P08263 GM-CSF pg/ml P04141 Hormona del crecimiento ng/ml P01241 Haptoglobina mg/ml P00738 ICAM-1 (molécula de adhesión intercelular 1) ng/ml P05362 IFN gamma pg/ml P01579 IgA mg/ml NA igE ng/ml NA IGF-1 ng/ml P05019 IgM mg/ml NA Antagonista del receptor IL-1 pg/ml Q9UBH0 IL-10 pg/ml P22301 IL-12 p40 ng/ml P29460 IL-12 p70 pg/ml P29459 IL-13 pg/ml P35225 IL-15 ng/ml P40933 IL-16 pg/mi Q 14005 IL-17 (IL17A) pg/ml Q16552 IL-18 pg/ml Q141 16 IL-1alfa ng/ml P01583 IL-1 beta pg/ml P01584 IL-2 pg/ml P01585 IL-23 p19 ng/ml Q9NPF7 IL-3 ng/ml P08700 IL-4 pg/ml P051 12 IL-5 pg/ml P051 13 IL-6 pg/ml P05231 IL-7 pg/ml P13232 IL-8 pg/ml P10145 Insulina ulU/ml P01308 Leptina ng/ml P41 159 Lipoproteina (a) ug/ml P08519 Linfotactina ng/ml P47992 MCP-1 (proteína quimotáctica de monocito 1 ) pg/ml P13500 MDC (quimocina derivada de macrófagos) pg/ml 000626 MIP-1 alfa (proteína inflamatoria de macrófagos pg/ml P10147 1 alfa) MIP-1 beta (proteína inflamatoria de pg/ml P13236 macrófagos 1 beta) MMP-2 (metaloproteinasa de matriz 2) ng/ml P08253 MMP-3 (metaloproteinasa de matriz 3) ng/ml P08254 MMP-9 (metaloproteinasa de matriz 9) ng/ml P14780 Mieloperoxidasa ng/ml P05164 ioglobina ng/ml P021 4 PAI-1 ng/ml P05121 PAPPA mlU/ml Q13219 Antígeno prostético especifico (PSA), libre ng/ml P07288 Fosfatasa ácida prostática (PAP) ng/ml P15309 RANTES ng/ml P13501 Componente amiloide P sérico, (SA) ug/ml P02743 SGOT (Transaminasa oxaloacética glutámica ug/ml P17174 del suero) SHBG nmol/l P04278 Factor de células madre pg/ml P21583 Trombopoyetina (TPO) ng/ml P40225 Hormona estimulante de la tiroides (TSH) - alfa ulU/ml P01215 Globulina ligadora de tiroxina (TBG) ug/ml P05543 ????-1 (inhibidor tisular de metaloproteinasa 1) ng/ml P01033 Factor tisular (factor de coagulación III, ng/ml P 13726 tromboplastina) TNF Rll (receptor 2 del factor de necrosis tumoral) ng/ml Q92956 TNF-alfa (factor de necrosis tumoral alfa) pg/ml P01375 TNF-beta (factor de necrosis tumoral beta) pg/ml P01374 VCAM-1 ng/ml P 19320 VEGF pg/ml P15692 vWF (factor von Willebrand) ug/ml P04275 Cada uno de los 92 biomarcadores tiene un límite menor de cuantificación (LOQ). El criterio para usar un biomarcador en el análisis requería que el biomarcador estuviera arriba del límite de cuantificación en por lo menos 20 % de las muestras. De los 92 biomarcadores de las 300 muestras, 63 (68 %) cumplieron con el criterio para incluirlos en el análisis. Se realizó una evaluación de las distribuciones de cada biomarcador para determinar si se justificó la transformación logarítmica de ese biomarcador. Esta evaluación se realizó sin hacer caso del grupo de tratamiento. En total, 60 de los 63 biomarcadores en el grupo de análisis se transformaron logarítmicamente2. La Tabla 2 identifica los biomarcadores que se incluyeron en el análisis final, el LOQ y si la transformación logarítmica fue posible.

Análisis adicional de los biomarcadores iniciales Además del análisis multíplice de Rules Based Medicine, se generó un grupo adicional de datos de biomarcadores séricos con el uso de métodos únicos de EIA para ciertos marcadores no incluidos en el menú de pruebas multíplices. Los marcadores adicionales se combinaron con el grupo de datos de biomarcadores multíplices para determinar la exactitud modelo en base a la combinación de marcadores individuales y multíplices. Estos datos se incluyeron únicamente como parte de los modelos predictivos.

Tabla 2 Núm. de muestras en Transformación Marcador Unidades LOQ LOQ (300 en total) logarítmica Adiponectina ug/ml 0.2 0 VERDADERO Alfa-1 antitripsina mg/ml 0.011 0 VERDADERO Alfa-2 macroglobulina mg/ml 0.061 2 VERDADERO Alfa-fetoproteina ng/ml 0.43 1 VERDADERO Apolipoproteina A1 mg/ml 0.0066 0 VERDADERO Apolipoproteína OI II ug/ml 2.7 0 VERDADERO Apolipoproteina H ug/ml 8.8 0 VERDADERO Beta-2 microglobulina ug/ml 0.013 0 VERDADERO Factor neurotrófico derivado del cerebro ng/ml 0.029 0 VERDADERO Proteína C reactiva ug/ml 0.0015 0 VERDADERO Antígeno de cáncer 125 U/ml 4.2 5 VERDADERO Antigeno de cáncer 19-9 U/ml 0.25 26 VERDADERO Antígeno carcinoembriónico ng/ml 0.84 132 VERDADERO CD40 ng/ml 0.021 0 VERDADERO Ligando CD40 ng/ml 0.02 12 FALSO Complemento 3 mg/ml 0.0053 0 VERDADERO EGF pg/ml 7.4 37 VERDADERO EN-RAGE ng/ml 0.25 0 VERDADERO ENA-78 ng/ml 0.076 0 VERDADERO Eotaxina pg/ml 41 29 VERDADERO Factor VII ng/ml 1 0 VERDADERO Ferritina ng/ml 1.4 0 VERDADERO Fibrinógeno mg/ml 0.0098 78 VERDADERO G-CSF pg/ml 5 133 VERDADERO Glutatión S-Transferasa ng/ml 0.4 1 VERDADERO Hormona del crecimiento ng/ml 0.13 137 VERDADERO Haptoglobina mg/ml 0.025 0 VERDADERO ICAM-1 ng/ml 3.2 0 VERDADERO IgA mg/ml 0.0084 0 FALSO igE ng/ml 14 1 0 VERDADERO IGF-1 ng/ml 4 94 VERDADERO igM mg/ml 0.015 0 VERDADERO IL-16 pg/ml 66 0 VERDADERO IL-18 pg/ml 54 3 VERDADERO IL-1 ra pg/ml 15 17 VERDADERO IL-7 pg/ml 53 209 VERDADERO IL-8 pg/ml 3.5 6 VERDADERO Insulina ulU/ml 0.86 40 VERDADERO Leptina ng/ml 0.1 0 VERDADERO Lipoproteína (a) ug/ml 3.7 0 VERDADERO CP-1 pg/ml 52 0 VERDADERO DC pg/ml 14 0 VERDADERO MIP-1 alfa pg/ml 13 202 VERDADERO MIP-1 beta pg/ml 38 3 VERDADERO MMP-3 ng/ml 0.2 0 VERDADERO Mieloperoxidasa ng/ml 68 9 VERDADERO ioglobina ng/ml 1.1 0 VERDADERO PAI-1 ng/ml 0.9 0 VERDADERO Antigeno prostético específico, libre ng/ml 0.023 101 VERDADERO Fosfatasa ácida prostática ng/ml 0.034 0 VERDADERO RANTES ng/ml 0.048 0 VERDADERO Amiloide P sérico ug/ml 0.058 0 VERDADERO SGOT ug/ml 3.7 80 VERDADERO SHBG nmol/l 1.3 0 VERDADERO Factor de células madre pg/ml 56 1 VERDADERO Hormona estimulante de la tiroides ulU/ml 0.028 0 FALSO Globulina ligadora de tiroxina ug/ml 0.34 0 VERDADERO TIMP-1 ng/ml 8.4 0 VERDADERO TNF-alfa pg/ml 4 233 VERDADERO TNF Rll ng/ml 0.13 0 VERDADERO VCAM-1 ng/ml 2.6 0 VERDADERO VEGF pg/ml 7.5 0 VERDADERO Factor von Willebrand ug/ml 0.4 0 VERDADERO También se evaluó la correlación promedio en pares a partir de la matriz de correlación de muestras; todas las muestras mostraron por lo menos un promedio de 89 % de correlación con otras muestras, lo cual indica que los datos de los biomarcadores fueron consistentes por todas las muestras de los sujetos.

Las estadísticas de resumen para los biomarcadores se muestran en la Tabla 3. La distribución de las concentraciones de los biomarcadores iniciales fue, generalmente, equilibrada por los tres grupos de tratamiento.

Tabla 3 Marcador Media DE Min. Máx. ANOVA p1 Adiponectina 1.330 0.762 -0.713 3.585 0.525 Alfa.1.Antitripsina 1.216 0.418 0.138 2.609 0.884 Alfa.2.Macroglobulina -0.995 0.707 -2.252 0.848 0.816 Alfa.fetoproteína 1.130 0.695 -1.218 3.585 0.337 Apolipoproteína.AI -1.273 0.463 -2.120 0.585 0.232 Apolipoproteína.CIII 5.850 0.680 4.248 7.983 0.037 Apolipoproteína.H 7.769 0.350 6.267 9.574 0.974 Beta.2.m¡croglobulina 0.729 0.345 -0.074 1.585 0.481 Factor neurotrófico derivado del cerebro 4.406 0.539 2.036 5.322 0.626 Proteína C reactiva 3.321 2.070 -2.737 5.615 0.544 Antigeno de cáncer 125 3.846 0.718 2.070 6.845 0.061 Antígeno de cáncer.19.9 0.747 1.579 -2.000 4.170 0.731 Antígeno carcinoembriónico 0.368 0.832 -0.252 3.700 0.513 CD40 -0.904 0.540 -2.644 0.379 0.533 Ligando CD40 2.094 1.419 0.020 6.600 0.662 Complemento.3 0.423 0.390 -0.556 1.263 0.364 EGF 6.650 1.494 2.888 9.260 0.628 EN.RAGE 6.236 1.153 3.459 8.071 0.564 ENA.78 1.100 0.808 -0.474 3.907 0.814 Eotaxina 6.580 0.690 5.358 7.966 0.372 Factor.VII 9.260 0.628 7.539 10.834 0.706 Ferritina 6.677 1.228 3.700 9.022 0.148 Fibrinógeno -6.238 0.392 -6.673 -5.059 0.239 G.CSF 2.943 0.722 2.322 4.700 0.931 Glutatión.S.Transferasa 1.631 0.606 -0.105 2.868 0.361 Hormona del crecimiento -1.593 1.620 -2.943 2.722 0.453 Haptoglobina 1.273 0.977 -1.690 3.087 0.435 ICAM.1 7.053 0.445 5.492 8.459 0.152 IgA 2.485 1.218 0.290 7.300 0.606 igE 4.923 1.612 3.807 9.430 0.863 IGF.1 3.606 1.403 2.000 7.055 0.509 igM -0.022 0.716 -1.737 1.926 0.513 IL.16 9.123 0.610 7.707 10.944 0.309 IL.18 7.656 0.607 5.755 9.324 0.072 IL.I ra 6.195 1.130 3.907 9.177 0.499 IL.7 5.937 0.432 5.728 8.028 0.860 IL.8 4.234 1.451 1.807 9.685 0.632 Insulina 2.403 1.830 -0.218 6.870 0.405 Leptina 2.551 1.892 -2.474 6.524 0.995 Lipoproteína..a. 5.383 1.452 3.217 9.313 0.746 MCP.1 7.507 0.678 5.781 9.474 0.153 MDC 8.903 0.503 7.322 10.024 0.702 MlP.lalfa 4.099 0.710 3.700 6.700 0.335 MlP.lbeta 7.718 0.828 5.248 10.436 0.450 MMP.3 3.106 1.092 0.926 7.022 0.230 Mieloperoxidasa 9.613 1.255 6.087 11.750 0.714 Mioglobina 3.021 0.853 1.000 5.807 0.178 PAI.1 7.318 0.406 5.907 8.508 0.817 Antígeno prostético específico. Libre -2.824 2.051 -5.442 1.000 0.593 Fosfatasa ácida prostética -1.744 0.555 -3.059 -0.454 0.152 RANTES 4.697 0.766 2.459 6.392 0.990 Amiloide P sérico 5.106 0.408 3.202 5.807 0.731 SGOT 2.573 0.607 1.888 4.000 0.370 SHBG 5.044 0.751 3.459 7.313 0.598 Factor de células madre 7.841 0.592 6.304 9.780 0.601 Hormona estimulante de la tiroides 1.462 0.741 0.380 5.000 0.810 Globulina ligadora de tiroxina 5.939 0.341 4.322 6.794 0.950 TIMP.1 7.068 0.291 6.285 7.925 0.554 TNF.alfa 2.210 0.492 2.000 5.426 0.146 TNF.RII 1.595 0.463 0.585 2.828 0.355 VCAM.1 8.498 0.319 7.864 9.468 0.558 VEGF 8.891 0.941 6.322 11.499 0.433 Factor von Willebrand 4.820 0.646 2.787 6.150 0.845 En los grupos tratados con golimumab, múltiples marcadores cambiaron significativamente desde las concentraciones iniciales hasta la semana 4 y la semana 14. Un grupo mucho más limitado de marcadores cambió en los sujetos tratados con placebo. Generalmente, las diferencias entre los dos grupos de dosis de golimumab no fueron significativas. Los cambios dentro del sujeto desde la línea base se compararon entre el grupo con golimumab (grupos de dosificación combinados) y el grupo con placebo. Aproximadamente la mitad de los marcadores analizados mostró diferencias significativas en cambio desde la línea base entre golimumab y placebo; las Tablas 4 y 5 muestran los marcadores con diferencias significativas (p< 0.01) en cambio desde la línea base entre el grupo combinado con golimumab y el grupo con placebo.

Tabla 4 Marcador Cambio Valor p del Cambio Valor p del Valor p medio con cambio con medio cambio de gol Cambio medio desde el placebo placebo dosificado dosificado contra inicio en la semana 4 con con placebo golimumab golimumab Apolipoproteína A1 -0.072 0.248 0.141 0.000 0.003 Protelna C reactiva -0.265 0.246 -1.875 0.000 0.000 Componente 3 del -0.016 0.798 -0.258 0.000 0.001 complemento Ferritina -0.045 0.547 -0.314 0.000 0.005 Haptoglobina -0.062 0.343 -0.927 0.000 0.000 ICAM-1 -0.050 0.259 -0.283 0.000 0.000 MMP3 -0.004 0.963 -0.380 0.000 0.006 Amiloide P sérico -0.056 0.088 -0.326 0.000 0.000 SHBG -0.047 0.392 0.132 0.001 0.010 TNFRII -0.029 0.409 -0.172 0.000 0.002 Tabla 5 Ejemplo 2. MARCADOR Y RELACIÓN Para construir un modelo predictivo o algoritmo, los datos de los marcadores se evaluaron junto con los puntos finales clínicos del estudio. Había seis puntos finales clínicos en el estudio, definidos como ASAS20 semana 14, ASAS20 semana 24, Cambio en el BASMI semana 14, cambio en el BASFI semana 14 y cambio en el BASDAI semana 14. Estos puntos finales del estudio son, generalmente, métodos clínicos aceptados para evaluar el estado de la enfermedad en los pacientes. Los 100 pacientes en el subestudio de biomarcadores proteicos y los puntos finales del estudio recolectados se muestran a continuación (Tabla 6).

Tabla 6 Los puntos finales primarios de la respuesta clínica se muestran en Tabla 7, en donde las entradas representan los sujetos con respuesta/el total para ese grupo. Aunque no sea el enfoque principal del subestudio de los biomarcadores, sigue siendo útil para la interpretación del estudio evaluar el efecto del tratamiento en los puntos finales clínicos dentro de este cohorte. Tal como se muestra en la Tabla 7, la respuesta de los grupos con tratamiento con golimumab fue significativamente superior en comparación con el tratamiento con placebo por toda la variedad de puntos finales clí evaluados, a excepción del BASMI.

Tabla 7 Dentro de los pacientes del estudio que participaron en el estudio de marcadores proteicos, hubo una asociación importante del género con tres de los seis puntos finales clínicos (Tabla 8). El género también se relacionó significativamente con varios de los biomarcadores proteicos. Por esta razón, el género se usó como una covariable para ajusfar los modelos que examinaban la relación entre los valores de los biomarcadores y los puntos finales clínicos. Sin este ajuste, los marcadores correlacionados con el género (por ejemplo, el antígeno prostético específico) parecerían estar asociados con los puntos finales clínicos, pero esa asociación sería un objeto de la relación género/punto final. La CRP es un marcador comúnmente asociado con la EA, sin embargo, en este estudio los valores iniciales de CRP correlacionaron estadísticamente con los puntos finales clínicos.

Tabla 8 Ejemplo 3. CONSTRUCCIÓN DEL MODELO DE PREDICCIÓN Los biomarcadores se evaluaron para analizar la asociación al inicio, semana 4 y semana 14. Muchos hallazgos surgieron a partir de estos análisis. Pocos de los 92 marcadores examinados se relacionaron significativamente con la respuesta clínica. Los marcadores que sí mostraron efectos significativos y la relación del marcador y el punto final para estos marcadores fueron, generalmente, consistentes por los diversos puntos finales primarios y secundarios. Dado que no hubo ningún efecto de la dosis sobre los resultados clínicos, los datos usados se combinaron con los grupos con tratamiento de golimumab (todos los pacientes con golimumab). Los biomarcadores se evaluaron para analizar la relación en la línea base, semana 4 y semana 14.

Todo el análisis se realizó con el uso de R (R: A Language and Environment for Statistical Computing, 2008, autor: R Development Core Team, R Foundation for Statistical Computing, Vienna, Austria, ISBN 3-900051-07-0). El cambio de la línea base se analizó con el uso de pruebas t de una sola muestra. La relación de los factores clínicos con los biomarcadores iniciales se evaluó con el uso de modelos consistentes de regresión lineal. Se usaron modelos consistentes de regresión logística para evaluar la relación de los biomarcadores con los puntos finales clínicos. Las variables Sí/No de los puntos finales clínicos usaron una codificación de 1/0. Los puntos finales clínicos que eran continuos se convirtieron en variables 1/0 para este análisis al aplicar un umbral en el valor mediano de todos los sujetos.

Los marcadores iniciales identificados consistentemente en los momentos específicos y los puntos finales clínicos fueron leptina, haptoglobina, insulina, ENA78 y apoliproproteína C3, osteocalcina, P1 NP e IL6 (mediante EIA). Cada uno de estos marcadores fue significativo en por lo menos tres puntos finales clínicos y tuvo una razón de probabilidades mayor que 1.5 para por lo menos un punto final. Para estos marcadores, la Tabla 9 muestra las razones de probabilidades y los valores p para su asociación con los puntos finales clínicos. En la Tabla 9, la razón de probabilidades (OR) representa las probabilidades aumentadas de respuesta clínica para el cambio de la unidad 1 en la escala log2 o una duplicación en la escala lineal.

Para incrementar la confiabilidad de los resultados en este estudio, el objetivo era identificar los marcadores que mostraban una relación significativa en múltiples momentos específicos por múltiples puntos finales. Al inicio, los marcadores determinados por multiplexado identificados consistentemente por los puntos finales clínicos fueron leptina, haptoglobina, insulina, ENA78 y apoliproproteína C3. Adicionalmente, una evaluación única de ELISA de las muestras de suero identificó osteocalcina, P1NP y IL-6. Cada uno de estos ocho marcadores tuvo un valor p menor que 0.05 en por lo menos tres puntos finales clínicos y una razón de probabilidades (OR) mayor que 1.5 para por lo menos un punto final. Para estos marcadores, la Tabla 9 muestra las razones de probabilidades y los valores p para su asociación con los puntos finales clínicos. La OR representa las probabilidades aumentadas de una respuesta clínica para el cambio de la unidad 1 en la escala log2 o una duplicación en la escala lineal.

Tabla 9 Marcador ASAS20 Sem14 ASAS20 Sem 24 Cambio en el Cambio en el BASFI en la sem BASDAI en la sem 14 14 0 fi O e O e O e Leptina 0.64 0.041 0.063 0.029 0.62 0.027 0.79 0.207 Haptoglobina 1.70 0.046 1.25 0.351 1.72 0.040 1.70 0.034 Insulina 0.63 0.009 0.71 0.030 0.66 0.013 0.77 0.076 ApoC3 0.35 0.019 0.60 0.195 0.41 0.036 0.69 0.335 ENA78 2.00 0.080 2.31 0.036 2.44 0.031 3.12 0.0098 Osteocalcina 10.88 0.001 1.97 0.130 10.14 0.002 3.13 0.033 P1 NP 5.94 0.004 2.54 0.049 4.20 0.01 1 2.47 0.049 IL6 1.80 0.017 1.90 0.009 1.47 0.081 1.72 0.014 Los marcadores en donde se predijo consistentemente un cambio temprano (semana 4) de la línea base por los momentos específicos y los puntos finales clínicos fueron haptoglobina, amiloide sérico, CRP, alfa-1 antitripsina, factor vonWillebrand, factor 3 del complemento y el marcador sérico IL-6 (ELISA). Cada uno de estos siete marcadores fue significativo en por lo menos 3 puntos finales clínicos y tuvo una razón de probabilidades mayor que 3 para por lo menos un punto final. Para estos marcadores, la Tabla 10 muestra las razones de probabilidades y los valores p para su relación con los puntos finales clínicos.

Tabla 10 Marcador ASAS20 ASAS20 Cambio en Cambio en Sem14 Sem24 el BASFI en el BASDAI la sem 14 en la sem 14 0 P 0 P O P O P Haptoglobina 0.20 .007 0.31 .014 0.23 .006 0.17 .002 Amil. sérico P 0.30 .095 0.16 .021 0.13 .013 0.21 .036 CRP 0.72 .025 0.70 .013 0.69 .010 0.74 .025 A1 anti-tripsina 0.04 .018 0.06 .018 0.09 .039 0.09 .032 Factor vonWil 0.54 .127 0.14 .005 0.28 .019 0.73 .392 Complemento3 0.02 .004 0.03 .004 0.02 .003 0.01 .001 IL6 (ELISA) 0.36 .003 0.42 .004 0.52 .013 0.43 .002 Placebo En contraste con las relaciones biomarcador/punto final clínico observadas dentro del grupo tratado con golimumab, hubo poca o ninguna relación de los valores de los biomarcadores con las respuestas de los puntos finales clínicos dentro de los grupos con placebo (no se muestran). Este resultado funciona como un control interno o punto de referencia para los resultados más significativos de biomarcadores observados en los análisis de biomarcadores con golimumab.

Métodos predictivos de los biomarcadores iniciales Se desarrolló modelos predictivos de árbol de clasificación y regresión (CART) que se usaron para determinar cuáles biomarcadores se podrían usar para predecir la respuesta clínica a largo plazo de los pacientes al tratamiento. Todos los modelos predictivos usaron validación cruzada Leave one out. Los modelos CART se presentan en forma de un árbol para la toma de decisiones (Figs. 1-6). Los nodos del árbol se etiquetan con una predicción de clase (Sí para una respuesta clínica pronosticada en el punto final, No para la falta de respuesta clínica pronosticaba) y dos números (x/y, en donde x es la cantidad real de sujetos sin respuesta en el estudio que caerían en ese nodo y y es la cantidad real de sujetos con respuesta en el estudio que caerían en ese nodo). La exactitud global del modelo es la cantidad de x por los nodos finales 'No' más la cantidad de y por los nodos finales "Sí'. Los modelos se desarrollaron para los puntos finales clínicos primarios, ACR20 en la semana 14, así como para puntos finales clínicos secundarios. Generalmente, los modelos de los puntos finales secundarios eran muy similares a los modelos de los puntos finales en cuanto a su sensibilidad y especificidad.

Se usó modelos predictivos para determinar cuáles biomarcadores se podrían usar para predecir la respuesta de los pacientes al tratamiento. Se desarrolló un modelo en base a los valores obtenidos en la línea base para los marcadores analizados mediante ensayo multíplice y con el uso del punto final (primario) ASAS20 (Fig. 1). El análisis de los resultados de las muestras con el uso del modelo mostró que cuando el modelo se aplicó a las muestras, el modelo fue correcto en 61/76 (80 %) de los pacientes a prueba. Esto significa que en las muestras de los pacientes analizados con el modelo, los resultados podrían predecir su respuesta clínica (ASAS20) en la semana 14 en 80 % de los pacientes. La Figura 1 muestra un diagrama del modelo. El modelo de biomarcadores usa leptina como el clasificador inicial: es decir, se predice que los pacientes con leptina mayor o igual que 3.8 (escala logarítmica) no tendrán respuesta. Los pacientes con concentraciones de leptina menores que 3.8 se clasifican en base al uso de un segundo marcador, el ligando CD40. Se predice que los pacientes con un resultado de ligando CD40 mayor que 1.05 sí tienen respuesta, mientras que los pacientes con concentraciones de leptina menores que 3.8 y de ligando CD40 menores que 1.05 no tienen respuesta. La sensibilidad de la predicción con el uso del modelo fue 86 %. La especificidad de los resultados con el uso del modelo fue 88 %.

En la Figura 2 se muestra un modelo predictivo para el punto final del BASDAI. Se seleccionó distintos biomarcadores para este modelo y la exactitud global del modelo de BASDAI es similar A la del modelo ASAS20. El algoritmo en la Figura 2 se basa en la concentración de TIMP-1 mayor o igual que 7.033 (escala logarítmica) como el clasificador inicial de respuesta a la terapia con anti-TNF. Los pacientes con una concentración de TIMP-1 mayor o igual que 7.033 se clasifican, además, con el uso de G-CSF menor que 3.953 como pacientes con respuesta pronosticada y G-CSF mayor o igual que 3.953 como pacientes sin respuesta pronosticada. Los pacientes con concentración de TIMP-1 menor que 7.033 se clasifican, además, con el uso de las concentraciones de PAP, en donde una concentración menor que -1.287 predice un paciente con respuesta y los pacientes con una concentración mayor que -1.287 se clasifican, además, en base a las concentraciones de MCP- , en donde MCP-1 menor que 7.417 predice un paciente con respuesta y MCP-1 mayor o igual que 7.417 predice un paciente sin respuesta.

Cuando los marcadores analizados con el uso de ensayos de EIA individuales (ensayos no multíplices) y un ensayo 3 plex (Luminex) se incluyeron en el análisis CART, los algoritmos (árboles para la toma de decisiones) resultantes dependían de la osteocalcina como el clasificador inicial, ya sea que el punto final clínico fuera ASAS20 o BASDAI (Figs. 3 y 4, respectivamente). Se descubrió que los marcadores adicionales mejoraron la capacidad predictiva de panel de marcadores. La exactitud del modelo de biomarcadores iniciales/biomarcadores séricos fue 67/76 (88 %) para la predicción de la respuesta clínica según ASAS20 en la semana 14 (Fig. 3). Este modelo de biomarcadores usa osteocalcina (analizada mediante EIA individual) como el clasificador inicial: se predice que los pacientes con osteocalcina mayor o igual que 3.878 (escala logarítmica) sí tienen respuesta; los pacientes con osteocalcina menor que 3.878 se clasifican en base al PAP. La exactitud modelo fue 88 %, la sensibilidad del modelo fue 90 % y la especificidad del modelo fue 84 %.

En la Figura 4, en un análisis similar, se muestra un modelo predictivo para el punto final del BASDAI. En este caso los modelos BASDAI y ASAS20 resultaron ser muy similares (ambos incluían osteocalcina y PAP); el modelo BASDAI agregó la insulina como un clasificador adicional). La exactitud modelo fue 61/76 (80 %) para la predicción de la respuesta clínica del BASDAI.

Concentración inicia y cambio de la línea base en la semana 4 Se desarrolló un modelo predictivo adicional con el uso de los datos multiplexados para determinar si el cambio en un biomarcador en la semana 4 de tratamiento podría incluirse para predecir el resultado clínico en la semana 14. En la Figura 5 se presenta un algoritmo para predecir ASAS20. Al igual que el único algoritmo de la línea base para predecir ASAS20, la leptina inicial es el clasificador inicial: se predice que los pacientes con leptina mayor o igual que 3.8 (escala logarítmica) no tienen respuesta; los pacientes con leptina menor que 3.8 se clasifican, además, en base a dos indicadores adicionales: i) el cambio en el complemento 3 y ii) VEGF inicial. En este modelo, la exactitud fue 64/76 (84 %) para predecir la respuesta clínica (ASAS20) en la semana 14. La sensibilidad del modelo fue 92 % y la especificidad fue 81 %.

En la Figura 6 se muestra un modelo predictivo para el punto final del BASDAI. Aunque la exactitud global del modelo BASDAI es similar a la del modelo ASAS20, se seleccionaron distintos biomarcadores y se usaron en este análisis: el marcador inicial se cambió en el componente 3 del complemento desde la semana 0 hasta la semana 4, en donde se predice que los pacientes con una disminución <menor que 0.233 (escala logarítmica) sí tienen respuesta; los pacientes con una disminución mayor o igual que 0.2333 en el componente 3 del complemento se clasifican, además, en base a la ferritina inicial, en donde si el valor de ferritina es mayor que el valor límite de 7.774, se predice que el paciente sí tiene respuesta y en donde si la ferritina es menor que 7.774, se predice que el paciente no tiene respuesta; el subgrupo de pacientes pronosticados como pacientes sin respuesta en base a la ferritina se clasifican, además, en base al cambio en las concentraciones de ICAM-1 , en donde los pacientes con una disminución en ICAM-1 entre la semana 0 y la semana 4 mayor o igual que 0.02204 se clasifican como pacientes que sí tienen respuesta pronosticada y el resto de los pacientes con una disminución en ICAM-1 entre la semana 0 y la semana 4 menor que 0.02204 se clasifican como pacientes sin respuesta pronosticada.

Sumario Los resultados del estudio de biomarcadores proteicos demostraron que múltiples biomarcadores cambiaron significativamente como consecuencia de la terapia con golimumab. En contraste, se observó pocos cambios de los biomarcadores en el grupo control con placebo. Se desarrollaron dos tipos de modelos predictivos de respuesta clínica novedosos en base a biomarcadores; uno usó únicamente los valores iniciales de los biomarcadores para predecir la respuesta clínica de los pacientes y el otro usó los cambios tempranos (semana 4) en los valores de los biomarcadores para predecir respuestas clínicas a más largo plazo (semanas 14, 24). Los modelos sugieren que un subgrupo de los marcadores tiene cambios relacionados con la respuesta clínica al golimumab, en lugar de ser simplemente efectos no específicos del tratamiento. Esto se puede concluir a partir de los consistentes análisis de regresión logística al observar todos los puntos finales clínicos Se debe resaltar que los valores de los marcadores (ya sea cambios al inicio o en la semana 4) precedían los resultados clínicos. Esto muestra que se puede desarrollar un panel de biomarcadores que se pueda usar para predecir con buena exactitud la posible respuesta o falta de respuesta de pacientes con EA al tratamiento con golimumab.

El mejor modelo de biomarcadores (basado en especificidad y sensibilidad) de respuesta clínica (signos y síntomas) al golimumab incluía las concentraciones iniciales de osteocalcina y fosfatasa ácida prostética, tal como se muestra en las Figs. 3 y 4.

Claims (28)

NOVEDAD DE LA INVENCIÓN REIVINDICACIONES

1. Un método para predecir la respuesta de un paciente diagnosticado con espondilitis anquilosante a la terapia con anti-TNF alfa; el método comprende: a) determinar la concentración de por lo menos un marcador sérico seleccionado del grupo que consiste de leptina, ligando CD40, TIMP-1 , fosfatasa ácida prostética (PAP), G-CSF, MCP-1 , componente 3 del complemento, VEGF, osteocalcina, ferritina y ICAM-1 y b) comparar la concentración determinada con un valor límite determinado por medio del análisis de un grupo de valores de concentraciones séricas del marcador de pacientes diagnosticados con EA, quienes recibieron terapia con anti-TNFa y se clasificaron como con respuesta o sin respuesta en base a uno o más puntos finales clínicos.

2. El método de conformidad con la reivindicación 1 , caracterizado además porque se determina la concentración de un marcador adicional en el suero seleccionado del grupo que consiste de haptoglobina, amiloide sérico, CRP, alfa-1 antitripsina, factor von Willebrand e insulina en una muestra de sangre o suero del paciente.

3. Un método para predecir la respuesta de un paciente diagnosticado con espondilitis anquilosante a la terapia con anti-TNF alfa; el método comprende: a) determinar la concentración de leptina y ligando CD40 en una muestra de sangre o suero del paciente y b) comparar la concentración de leptina en la muestra del paciente con EA con un valor límite de leptina, por lo cual si se determina que la concentración es mayor o igual que el valor límite, se predice que el paciente no responderá a la terapia con anti-TNF alfa y, si el valor en suero de leptina es menor que el valor límite, c) comparar la concentración de ligando CD40 en la muestra del paciente con un valor límite de ligando CD40, en donde una concentración de CD40 mayor o igual que el valor límite de ligando CD40 es indicativa de la respuesta del paciente a la terapia con TNF alfa y un valor menor que el valor de ligando CD40 y leptina menor que el valor límite de leptina predice la falta de respuesta a la terapia de neutralización con TNF alfa.

4. El método de conformidad con la reivindicación 3, caracterizado además porque la muestra es suero.

5. El método de conformidad con la reivindicación 4, caracterizado además porque la concentración de leptina en suero se transforma logarítmicamente y el valor límite de leptina es 3.804.

6. El método de conformidad con la reivindicación 3, caracterizado además porque la concentración de CD40 en suero se transforma logarítmicamente y el valor límite de CD40 es 1.05.

7. El método de conformidad con la reivindicación 3, caracterizado además porque la etapa determinante se realiza simultáneamente.

8. El método de conformidad con la reivindicación 3, caracterizado además porque la etapa determinante se realiza por medio de un dispositivo computarizado.

9. El método de conformidad con cualquiera de las reivindicaciones 1-5, caracterizado además porque el paciente ha recibido un tratamiento de neutralización sin TNF.

10. Un método para predecir la respuesta de un paciente diagnosticado con espondilitis anquilosante a la terapia con anti-TNF alfa; el método comprende: a) determinar la concentración de osteocalcina, fosfatasa ácida prostética e insulina en una muestra de sangre o suero del paciente y b) comparar la concentración de osteocalcina en la muestra del paciente con EA con el valor límite de osteocalcina, por lo cual si se determina que la concentración es mayor o igual que el valor límite, entonces se predice que el paciente no responderá a la terapia con anti-TNF alfa y, si el valor en suero de osteocalcina es menor que el valor límite, c) comparar la concentración de fosfatasa ácida prostática en la muestra del paciente con un valor límite de fosfatasa ácida prostática, en donde una concentración de fosfatasa ácida prostática mayor o igual que el valor límite de fosfatasa ácida prostática predice que el paciente responderá a la terapia con TNF alfa y un valor menor que el valor límite de fosfatasa ácida prostática y, opcionalmente, d) clasificar al paciente como un paciente que no tiene respuesta pronosticada, en base al resultado clínico según ASAS20 o clasificar, además, al paciente según la comparación de la concentración de insulina en el suero del paciente y el valor límite de insulina, caracterizado porque un valor de insulina menor que el valor límite de insulina clasifica al paciente como un paciente con respuesta pronosticada y un valor de insulina mayor o igual que el valor límite clasifica al paciente como un paciente sin respuesta pronosticada a la terapia de neutralización con TNF alfa según el BASDAI.

11. El método de conformidad con la reivindicación 10, caracterizado además porque la muestra es suero.

12. El método de conformidad con la reivindicación 1 1 , caracterizado además porque la concentración de osteocalcina en suero se transforma logarítmicamente y el valor límite de osteocalcina es 3.9

13. El método de conformidad con la reivindicación 10, caracterizado además porque la concentración de fosfatasa ácida prostática en suero se transforma logarítmicamente y el valor límite de fosfatasa ácida prostática es 1.4.

14. El método de conformidad con la reivindicación 10, caracterizado además porque la concentración de insulina en suero se transforma logarítmicamente y el valor límite de insulina es 2.71 1.

15. El método de conformidad con la reivindicación 10, caracterizado además porque la etapa determinante se realiza simultáneamente.

16. El método de conformidad con la reivindicación 15, caracterizado además porque la etapa determinante se realiza por medio de un dispositivo computarizado.

17. Un método para predecir la respuesta de un paciente diagnosticado con espondilitis anquilosante a la terapia con anti-TNF alfa; el método comprende: a) determinar la concentración de osteocalcina y fosfatasa ácida prostática en una muestra de sangre o suero del paciente y b) comparar la concentración de osteocalcina en la muestra del paciente con EA con un valor límite de osteocalcina, por lo cual si se determina que la concentración es mayor o igual que el valor límite, entonces se predice que el paciente no responderá a la terapia con anti-TNF alfa y, si el valor en suero de osteocalcina es menor que el valor límite, c) comparar la concentración de fosfatasa ácida prostética en la muestra del paciente con un valor límite de fosfatasa ácida prostética, en donde una concentración de fosfatasa ácida prostática mayor o igual que el valor límite de fosfatasa ácida prostética predice que el paciente responderá a la terapia con TNF alfa y un valor menor que el valor límite de fosfatasa ácida prostática, d) clasificar al paciente como un paciente que no tiene respuesta pronosticada, en base al resultado clínico evaluado mediante ASAS20 o BASDAI.

18. Un método para predecir la respuesta de un paciente diagnosticado con espondilitis anquilosante a la terapia con anti-TNF alfa; el método comprende: a) determinar la concentración de TIMP-1 y fosfatasa ácida prostática, GCSF y MCP-1 en una muestra de sangre o suero del paciente y b) comparar la concentración de TIMP-1 en la muestra del paciente con EA con el valor límite de TIMP-1 , por lo cual si se determina que la concentración es mayor o igual que el valor límite de TIMP-1 , el paciente también se clasifica y si el valor de TIMP-1 en suero es menor que el valor límite, c) comparar la concentración de fosfatasa ácida prostática en la muestra del paciente con el valor límite de fosfatasa ácida prostática, en donde una concentración de fosfatasa ácida prostática menor que el valor límite de fosfatasa ácida prostética, se predice que el paciente responderá a la terapia con TNF alfa y el valor mayor o igual que el valor límite de fosfatasa ácida prostética requiere que el paciente se clasifique adicionalmente, d) comparar la concentración de MCP-1 en el suero de los pacientes con un valor límite de MCP-1 , caracterizado porque un valor de MCP-1 menor que el valor límite de MCP-1 clasifica al paciente como un paciente con respuesta pronosticada y un valor de MCP-1 mayor o igual que un valor límite clasifica al paciente como un paciente sin respuesta pronosticada a la terapia de neutralización con TNF alfa según el BASDAI.

19. El método de conformidad con la reivindicación 18, caracterizado además porque si el suero del paciente tiene una concentración de TIMP-1 mayor o igual que el valor límite de TIMP-1 , la concentración de G-CSF en la muestra del paciente se compara con un valor límite de G-CSF, en donde si la concentración de G-CSF en el suero del paciente es menor que el valor límite de G-CSF, el paciente se clasifica como paciente con respuesta pronosticada a la terapia con anti-TNF según el BASDAI y si el valor de G-CSF es mayor o igual que el valor límite de G-CSF, el paciente se clasifica como un paciente sin respuesta pronosticada a la terapia con anti-TNF según el BASDAI.

20. El método de conformidad con las reivindicaciones 18 y 19, caracterizado además porque el valor límite de TIMP-1 es 7.03.

21. Un método para predecir la respuesta de un paciente diagnosticado con espondilitis anquilosante a la terapia con anti-TNF alfa; el método comprende: a) determinar el cambio en la concentración de componente 3 del complemento (C3) a partir de una muestra inicial y una muestra de la semana 4 y ferritina inicial y el cambio en la concentración de los marcadores ICAM-1 al inicio y en la semana 4 en una muestra de sangre o suero del paciente y b) comparar el cambio en la concentración de C3 en la muestra de suero del paciente con EA tomada antes del inicio de la terapia con anti-TNF con la concentración de C3 en la muestra de suero del paciente con EA tomada en la semana 4 después de iniciar la terapia con anti-TNF con un valor límite de C3; por lo cual si se determina que el cambio en la concentración es menor que el valor límite de C3, el paciente se clasifica como paciente con respuesta pronosticada a la terapia con anti-TNF; clasificar a un paciente con un cambio en la concentración sérica de C3 mayor o igual que el valor límite de C3; el valor inicial de ferritina en la muestra del paciente se compara con el valor límite de ferritina, en donde un valor mayor o igual que el valor límite predice que el paciente tendrá respuesta a la terapia con anti-TNF alfa y si el valor de la concentración sérica de ferritina es menor que el valor límite, c) comparar el cambio de la concentración de ICAM-1 en la muestra de suero del paciente con EA que se tomó antes del inicio de la terapia con anti-TNF con la concentración de ICAM-1 en la muestra de suero del paciente con EA que se tomó en la semana 4 después de iniciar la terapia con anti-TNF con un valor límite de ICAM-1, si se determina que el cambio en la concentración de ICAM-1 es mayor o igual que el valor límite de ICAM-, el paciente se clasifica como paciente con respuesta pronosticada a la terapia con anti-TNF y si el cambio en la concentración de ICAM-1 es menor que el valor límite de ICAM-1 , el paciente se clasifica como paciente sin respuesta pronosticada.

22. El método de conformidad con la reivindicación 21 , caracterizado además porque el valor límite del cambio de C3 es -0.233.

23. Un sistema computarizado para aplicar un algoritmo de predicción a un grupo de datos obtenidos de un paciente diagnosticado con espondilitis anquilosante para tratarla con una terapia con anti-TNF alfa y evaluarla con el uso de uno o más puntos finales clínicos después del tratamiento; el sistema comprende: una estación de cómputo para recibir y procesar el grupo de datos de los pacientes en un formato legible por computadora; la estación de cómputo comprende una red neural capacitada para procesar el grupo de datos de los pacientes y producir una clasificación de salidas, en donde la red neural capacitada se prepara con un método para preprocesar el grupo de datos de los pacientes; el método comprende: a) seleccionar los biomarcadores de los pacientes relacionados con EA, b) probar estadística y/o computacionalmente la capacidad de discriminación de los biomarcadores seleccionados de los pacientes en combinación lineal y/o no lineal de manera individual para indicar la respuesta o falta de respuesta de un paciente en base a un punto final clínico, c) aplicar métodos estadísticos para la derivación de entradas secundarias en la red neural que sean combinaciones lineales o no lineales de los biomarcadores originales o transformados, d) seleccionar únicamente los biomarcadores de los pacientes o entradas secundarias derivadas que muestren capacidad de discriminación y e) preparar la red neural computarizada con el uso de los biomarcadores preprocesados de los pacientes o entradas secundarias derivadas.

24. El sistema computerizado de conformidad con la reivindicación 23, caracterizado además porque la clasificación de las salidas consiste en la respuesta o falta de respuesta del paciente a la terapia con anti-TNFa y los puntos finales clínicos son ASA20 o BASDAI y los biomarcadores son el género del paciente, leptina, ligando CD40, TIMP-1 , MCP-1, G-CSF, PAP, osteocalcina, insulina, VEGF, ferritina, componente 3 del complemento, ICAM-1 o cualquier combinación de los biomarcadores.

25. Un dispositivo para predecir si un paciente diagnosticado con espondilitis anquilosante que recibirá el tratamiento con anti-TNF alfa responderá o no a la terapia, según la evaluación de uno o más puntos finales clínicos; el dispositivo comprende a) una tira de prueba que comprende un anticuerpo específico para un marcador asociado con la respuesta o falta de respuesta de un paciente diagnosticado con EA a la terapia con anti-TNFa; el marcador se selecciona del grupo que consiste de leptina, ligando CD40, TIMP-1 , MCP-1 , G-CSF, PAP, osteocalcina, insulina, VEGF, ferritina, componente 3 del complemento o ICAM-1 ; la tira de prueba también comprende un segundo anticuerpo marcado con un marcador detectable; b) detectar la señal producida por el marcador con el uso de un lector con la capacidad de procesar la señal y c) procesar los datos obtenidos del procesamiento de la señal en un indicativo de resultados de una concentración predeterminada del marcador en la muestra.

26. El dispositivo de conformidad con la reivindicación 25, caracterizado además porque el lector es un humano.

27. El dispositivo de conformidad con la reivindicación 25, caracterizado además porque el lector es un reflectómetro.

28. Un kit de prueba pronóstica para predecir si un paciente diagnosticado con espondilitis anquilosante que recibirá tratamiento con anti-TNF alfa responderá o no a la terapia según uno o más puntos finales clínicos; el kit comprende: un sustrato preparado previamente con la capacidad de cuantificar la presencia de uno o más marcadores en la muestra de un paciente seleccionados del grupo que consiste de leptina, ligando CD40, TIMP-1 , MCP-1 , G-CSF, PAP, osteocalcina, insulina, VEGF, ferritina, componente 3 del complemento, ICAM-1 o cualquier combinación de éstos.