Background:

 Nearly 50% of patients with giant cell arteritis (GCA) experience at least one relapse after achieving remission [1]; in some cases, these relapses may be potentially life-threatening. Currently, reliable predictors of relapse are lacking. Therefore, providing the best possible therapeutic option to minimize the risk of relapse is crucial. The two most used steroid-sparing drugs are Methotrexate (MTX) and Tocilizumab (TCZ). Only a few observational studies have compared the relative effectiveness and safety of these two drugs and the associated risk of relapse [2] 

Objectives:

 To evaluate frequency and predictors of relapse in a cohort of patients affected by Giant Cell Arteritis undergoing steroid-sparing therapy with MTX or TCZ. 

Methods:

 We conducted a retrospective analysis of clinical, demographic and laboratory data at disease onset on 41 patients with GCA who started therapy with MTX or TCZ within 6 months from diagnosis. We observed whether these patients experienced relapse at any time during a median follow-up time of 57.5 months. Remission was defined as the absence of clinical and laboratory signs of disease activity (according to EULAR recommendations [3]) and achievement of a steroid dose ≤7.5 mg/day of prednisone equivalent, to minimize the confounding impact of glucocorticoids on the effectiveness of DMARD therapy. Relapse was defined as the recurrence of active disease (major or minor, according to EULAR [3]) after achieving remission. Descriptive statistics, chi-square tests for categorical variables, and Mann-Whitney tests for continuous variables were conducted. A significance level of p < 0.05 was considered. 

Results:

 At diagnosis, 31.7% (13/41) of patients had irreversible visual impairment and 10% (4/41) had cerebrovascular event. Extracranial involvement was present in 54% (22/41) of patients; 29% of patients were treated with steroid pulses, with an average duration of prednisone equivalent >7.5mg/day of 23.7 ±20.7 months. Remission was achieved after a median time of 9 month. Within 6 months from diagnosis, 63% (26/41) of patients received MTX (average dose 13,75 mg/week, SD ±3,6) while 36 % (15/41) received TCZ. Comparing patients on MTX and on TCZ therapy, no significant differences were found in baseline inflammatory markers, average DMARD or steroid treatment duration. Notably, those who presented with irreversible vascular damage at onset were preferably treated with TCZ [OR (95% CI) = 1.30 (1.00–1.70)] (p=0.014)]. During follow-up, 36% (15/41) patients experienced relapse, 93% (14/15) were on MTX, and switched to TCZ after the event. Only 1 patient experienced relapse during TCZ therapy. Among relapses observed in patients on MTX therapy, 35% (5/14) were major relapses. We observed a statistically significant higher risk of relapse in patients treated with MTX compared to those treated with TCZ [OR (95% CI) = 16.33 (2.02–183.70)] (p=0.002)]. 

Conclusion:

 In our GCA cohort of patients, approximately one-third experienced disease relapse during lifetime follow-up. A significant higher percentage of relapses occurred in patients undergoing MTX therapy. TCZ seemed to be more effective in maintaining remission when tapering steroid therapy. These data, combined with the available literature, support the use of TCZ as the first-line steroid sparing drug treatment in patients with GCA. 

REFERENCES:

 [1] M. Aussedat et al., "Epidemiology of major relapse in giant cell arteritis: A study-level meta-analysis." [Online]. [2] S. Grazzini et al., "Tocilizumab Vs Methotrexate in a Cohort of Patients Affected by Active GCA: A Comparative Clinical and Ultrasonographic Study," Biologics, vol. 17, pp. 151–160, 2023. [3] B. Hellmich et al., "2018 Update of the EULAR recommendations for the management of large vessel vasculitis," Ann Rheum Dis, vol. 79, no. 1, pp. 19–130, Jan. 2020. 

Acknowledgements:

 NIL. 

Disclosure of Interests:

 None declared.

Background:

 Systemic Lupus Erythematosus (SLE) is a complex, relapsing-remitting disease, posing challenges in diagnosis and management. Traditional disease activity indices often fail to capture its dynamic nature, hindering effective therapy guidance. Leveraging Electronic Health Records (EHR) through data mining and machine learning offers a promising approach to understanding disease complexity and prognostic trajectories, specifically disease flares. 

Objectives:

 To validate a machine-learning methodology for identifying SLE phenotypes and flare trajectories in an outpatient setting. 

Methods:

 An observational retrospective monocenter study was performed using EHR of our Tertiary Care University Hospital. First, we developed a SLE Data Mart combining all HER sources. Then a machine learning algorithm, based on Natural Language Processing (NLP), was created to characterize disease complexity and flares of SLE pts in a primary cohort of adult SLE pts with at least one hospitalization. Further, we validated this algorithm in a second cohort of SLE pts followed only in outpatient setting (internal validation cohort). The inclusion criteria of the validation cohort were: 1) SLE diagnosis (according to ACR/EULAR 2019 criteria); 2) Age > 18; 3) No hospitalizations for SLE disease 4) at least 1 year follow-up, 5) at least 1.5 contacts/year in the period between January 2012 and December 2020; 6) at least one laboratory value available for the patient during follow-up. For each patient, clinical reports including demographics, anamnesis, clinical symptoms, laboratory values, medication orders and therapy, were extracted from the Data Mart, through the NLP pipeline: 1) presence of 8 different SLE clinical domains (hematological, muco-cutaneous, articular, renal, systemic, neurologic, vascular involvement and serositis); 2) disease complexity based on the combination of the involvement of single or multiple organ domains, as well as therapy escalation (low, medium, high); 3) disease flares. Baseline and longitudinal descriptive analyses were performed using median and interquartile values for numerical values and percentage for categorical ones. A p-value<0.05 was considered as significant 

Results:

 A total of 255 SLE pts with at least one hospitalization were identified in our EHR and considered as primary cohort, while 91 SLE pts were included in the internal validation cohort. The 2 cohorts were comparable for age, sex and disease duration. The median number of clinical domains involved at baseline was higher in the primary cohort [4 (2.5-5)] than in the validation cohort [2 (1, 2.5)], (<0.01); Differences in clinical phenotype were confirmed in the longitudinal analysis, in which the median number of clinical domains involved was higher in the primary cohort [5 (4-6)] compared to the validation cohort [4 (3-4)],(p<0.01). At baseline, SLE complexity was categorized as low, medium and high (13.7%, 34.5% and 51.8% in the primary cohort and 47.3%, 35.2% and 17.6% in the validation cohort, respectively, p_low < 0.01, pmedium > 0.01, p_high < 0.01). The more complex SLE phenotype (i.e. higher number of domains involved) observed in the primary cohort was also confirmed by the higher number of flares [5.0 (2.0-9.0 vs 3 (1-5)], and therefore the higher number of clinical contacts (17.0 (11.0-25.5) vs 12 [6-19.5]), respectively (p<0.01 for both comparisons). Median number of flares significantly increased with disease complexity in the primary cohort [(3.5 (2.0-6.0), 4.0 (2.0-8.0), 6 (3.0-9.2), p<0.05], while they were comparable in the validation cohort [3 (1.0-5.0), 3 (1.0-5.0), 3 (1.0-6.0)]. In addition, the use of steroids was higher in the primary cohort (78.6%), as compared to the validation cohort (52.7%), as well as conventional immunosuppressive treatment intake (73.2% vs 45%) and biologic treatment (29.0% vs 9.8%) (p<0.00001 for all comparisons). The percentage of pts treated with antimalarial was comparable (79.8 vs 87.5%, p=ns). 

Conclusion:

 The machine learning algorithm effectively describes SLE heterogeneity, enabling the characterization of clinical phenotypes and longitudinal trajectories based on clinical complexity. 

REFERENCES:

 NIL. 

Acknowledgements:

 This project received financial support from AstraZeneca. 

Disclosure of Interests:

 Silvia Laura Bosello: None declared, Livia Lilli: None declared, Carlotta Masciocchi: None declared, Laura Antenucci: None declared, Jacopo Lenkowicz: None declared, Augusta Ortolan: None declared, Pier Giacomo Cerasuolo: None declared, Lucia Lanzo: None declared, Silvia Piunno: None declared, Gabriella Castellino Astrazeneca, Marco Gorini Astrazeneca, Stefano Patarnello: None declared, Maria Antonietta D'Agostino: None declared.

Background:

 Electronic Health Records (EHRs) contain a wealth of patient data, but they are often unstructured and difficult to analyze. Artificial Intelligence (AI) and its application Natural Language Processing (NLP, which is able to interpret and generate human language) can be helpful to extract longitudinal information on the disease course, especially in complex chronic diseases such as Systemic Lupus Erythematosus (SLE). 

Objectives:

 Our aim was to develop an integrated approach that combines clinical knowledge and advanced data science techniques (specifically, automated rule-based system and NLP) to characterize SLE patients in terms of involved disease domains, current symptoms, therapies and disease activity 

Methods:

 A standardized, replicable methodology was created, using data from a training set (development cohort) to extract relevant SLE features. The framework combined both AI-based steps with human intelligence (HI). A stepwise sequence was followed (1 and 4 HI-based; 2,3, and 5 AI-based): 1) ontology definition, that specifies relevant SLE attributes that characterize patient status at time of visit. Namely, we decided to extract: a) disease domains (hematological, cutaneous, articular, kidney, serositic, systemic, neurological, vascular involvement); b) current symptoms; c) therapies; d) disease activity expressed as SLEDAI-2K. 2) creation of a structured body of knowledge, where EHRs are selected and preprocessed using segmentation and tagging techniques 3) extraction of information specified in step 1 by an automated NLP algorithm, able to identify from EHRs, for each patient's contact, the lupic attributes previously defined 4) development of a rule-based framework determining how the SLE attributes, biomarkers and patient's history are combined to characterize the disease domains (Figure 1) and disease activity 5) implementation of the rule based-framework to classify for each patient's contact in terms of lupic attributes Finally, the clinical records of 56 patients (excluded from HERs used to develop the algorithm, validation cohort) were examined by a group of physicians who manually extracted SLE attributes. Thereafter, the information was compared with the one extracted by the NLP algorithm: accuracy of algorithm was tested against the gold standard (manual extraction further revised by a second team of expert clinicians). Furthermore, distribution of SLEDAI-2K extracted with the algorithm (proxy SLEDAI) was compared to the SLEDAI-2K manually annotated by physicians (manual SLEDAI). 

Results:

 The framework was applied to a cohort of 262 SLE patients, with a median of 18 (11- 28) contacts, in a temporal window of 7 (4-10) years, for a total of 4567 EHRs. In the 56 patients of the validation cohort (n contacts 12.5, 10-17), the most frequently reported involved disease domains were articular (59%), cutaneous (62%), hematological (60%), neurological (20%), kidney (34%), serositic (20%), systemic (16%) and vascular (30%) involvement. Among symptoms, the most frequent were arthromyalgia (78%) and erythema (64%). Antimalarials, traditional immunosuppressant and biologics were used by 79%, 75% and 27% of the patients. These percentages reflected plausible values for an SLE population and this was considered as proof of face validity. Accuracy [n of true positives and negatives/all observations] for the NLP algorithm to extract data was in the range of 99-100% for disease domains, 97-99 % for symptoms, and 93-98% for therapies. Variance distribution of SLEDAI and proxy SLEDAI was not significantly different (Levene's test 1.58, p=0.21) (Figure 2). When looking at the effort required to extract data from EHRs, the mean time to extract the lupic features from EHRs through the framework was in the range of 10 mins for a cohort of 262 patients, to be compared with an effort of 2 hours per patients through HI. 

Conclusion:

 The proposed framework integrates domain expertise and AI-based techniques to deliver a validated longitudinal phenotype characterization for each SLE patients. The application of this technique to elaborate real-life SLE data seems promising and feasible, with a relevant spare of human effort. 

REFERENCES:

 NIL. 

Acknowledgements:

 This work was funded by AstraZeneca 

Disclosure of Interests:

 Augusta Ortolan Janssen, Novartis, Abbvie, UCB Pharma, Livia Lilli: None declared, Silvia Laura Bosello: None declared, Laura Antenucci: None declared, Carlotta Masciocchi: None declared, Jacopo Lenkowicz: None declared, Piergiacomo Cerasuolo: None declared, Lucia Lanzo: None declared, Silvia Piunno: None declared, Gabriella Castellino AstraZeneca, Marco Gorini Astrazeneca, Stefano Patarnello: None declared, Maria Antonietta D' Agostino Novartis, BMS, Janssen,Pfizer, Amgen, Galapagos, AbbVie, UCB, and Eli Lilly

Background:

 Systemic sclerosis (SSc) is currently classified, based on the extent of skin involvement, into diffuse (dcSSc) and limited (lcSSc) cutaneous forms. However, recent evidence suggests that this historical classification fails to capture the heterogeneity of the SSc spectrum [1]. Anticentromere antibodies (ACA) are typically found in lcSSc, whereas patients with anti-topoisomerase I antibodies (ATA) usually exhibit dcSSc. Nevertheless, few studies have reported less common and as yet poorly characterised associations (e.g., ACA-dcSSc) [2]. 

Objectives:

 We aimed to clarify the clinical phenotype and outcome of scleroderma patients with ACA-dcSSc by performing a systematic literature review (SLR) and meta-analysis. 

Methods:

 A comprehensive literature search was conducted (January 1970 to April 2023) across the MEDLINE, Scopus and OVID databases in accordance with the PRISMA guidelines. The population of interest comprised ACA-dcSSc patients, and the outcome of interest was all-cause mortality at 5 and 10 years. Pre-defined inclusion criteria were adult ACA-dcSSc patients, with separately identifiable demographic and clinical features, and organ involvement. The quality of the selected studies was evaluated by the Newcastle-Ottawa Scale for cross-sectional, cohort, and case-control studies. Random-effects meta-analysis was performed to compare major organ involvement and the 5- and 10-year mortality risk of ACA-dcSSc with those of ACA-lcSSc and ATA-dcSSc patients. 

Results:

 From a total of 1570 hits generated by the database search, six articles were selected for review, identifying 177 cases of ACA-dcSSc patients (Figure 1). The mean age at SSc onset in SLR population was 47.3 ± 7.4 years with a mean disease duration of 12.5 ± 3.1 years. The mean modified Rodnan Skin Score (mRSS) was 15.9 ± 2.8. Among musculoskeletal manifestations, inflammatory arthritis and myositis were identified in 44 (33.6%) and 11 (8.4%) out of 131 patients with available data, respectively. Oesophageal involvement was reported in 75.6% of ACA-dcSSc patients, followed by interstitial lung disease (ILD) in 27.7%, pulmonary hypertension in 20.3% and primary myocardial involvement in 16.3%. Overall, ILD was less frequent in the ACA-lcSSc subset vs. ACA-dcSSc (OR 0.44; 95% CI: 0.27, 0.71; p <0.005); however, ILD occurrence in ACA-dcSSc patients was still less frequent when compared to ATA-dcSSc (OR 0.25; 95% CI: 0.17, 0.37; p <0.005). Survival data at 5 and 10 years were reported in 4/6 and 3/6 studies, respectively. While five-year survival rates were comparable among the three subsets, ACA-dcSSc patients exhibited a lower 10-year mortality risk compared to ATA-dcSSc (OR 0.42; 95% CI: 0.21, 0.85; p = 0.02). 

Conclusion:

 Although uncommon, rheumatologists should be aware of the existence of the ACA-dcSSc subset, which appears to have a distinct clinical phenotype, with a better prognosis than ATA-dcSSc. This further highlights the urgent need for a novel classification combining skin subtype and serology status to enhance risk stratification and the management of scleroderma patients. 

REFERENCES:

 [1] Sobanski V, Giovannelli J, Allanore Y, et al. Phenotypes Determined by Cluster Analysis and Their Survival in the Prospective European Scleroderma Trials and Research Cohort of Patients With Systemic Sclerosis. Arthritis Rheumatol. 2019; 71(9): 1553-1570. [2] Mierau R, Moinzadeh P, Riemekasten G, et al. Frequency of disease-associated and other nuclear autoantibodies in patients of the German Network for Systemic Scleroderma: correlation with characteristic clinical features. Arthritis Res Ther. 2011; 13(5): R172. 

Acknowledgements:

 NIL. 

Disclosure of Interests:

 None declared.