Background: Atopic dermatitis (AD or eczema) is a most common chronic skin disease. Designing personalised treatment strategies for AD based on patient stratification, rather than the one-size-fits-all treatments, is of high clinical relevance. It has been hypothesised that the measurement of biomarkers could help predict therapeutic response for individual patients. Objective: We aim to assess whether biomarkers can predict the outcome of systemic therapy. Methods: We developed a statistical machine learning predictive model using the data of an already published longitudinal study of 42 patients who received systemic therapy. The data contained 26 serum cytokines measured before the therapy. The model described the dynamics of the latent disease severity and measurement errors to predict AD severity scores (EASI, (o)SCORAD and POEM) two-weeks ahead. We conducted feature selection to identify the most important biomarkers for predicting the AD severity scores. Results: We validated our model and confirmed that it outperformed standard time-series forecasting models. Adding biomarkers did not improve predictive performance. Our estimates of the minimum detectable change for the AD severity scores were larger than already published estimates of the minimal clinically important difference. Conclusions: Biomarkers had a negligible and non-significant effect for predicting the future AD severity scores and the outcome of the systemic therapy. Instead, a historical record of severity scores provides rich and insightful dynamical information required for prediction of therapeutic responses.

中文翻译：

---

血清生物标志物能否预测特应性皮炎全身治疗的结果？

背景：特应性皮炎（AD或湿疹）是最常见的慢性皮肤病。根据患者分层而不是一种千篇一律的治疗方法设计针对AD的个性化治疗策略具有很高的临床意义。假设生物标志物的测量可以帮助预测个别患者的治疗反应。目的：我们旨在评估生物标记物是否可以预测全身治疗的结果。方法：我们使用已经发表的对42位接受全身治疗的患者进行的纵向研究的数据，开发了一种统计机器学习预测模型。数据包含治疗前测得的26种血清细胞因子。该模型描述了潜在疾病严重程度的动态变化和测量误差，以预测AD严重程度得分（EASI，（o）SCORAD和POEM）提前两周。我们进行了特征选择，以识别最重要的生物标志物，以预测AD严重程度评分。结果：我们验证了我们的模型，并确认它优于标准时间序列预测模型。添加生物标志物并不能改善预测性能。我们对AD严重性评分的最小可检测变化的估计值大于已经发表的对临床上最小的重要差异的估计值。结论：生物标志物在预测未来AD严重程度评分和全身治疗结果方面的作用可忽略不计。相反，严重性评分的历史记录提供了预测治疗反应所需的丰富而有见地的动态信息。我们进行了特征选择，以识别最重要的生物标志物，以预测AD严重程度评分。结果：我们验证了我们的模型，并确认它优于标准时间序列预测模型。添加生物标志物并不能改善预测性能。我们对AD严重性评分的最小可检测变化的估计值大于已经发表的对临床上最小的重要差异的估计值。结论：生物标志物在预测未来AD严重程度评分和全身治疗结果方面的作用可忽略不计。相反，严重性评分的历史记录提供了预测治疗反应所需的丰富而有见地的动态信息。我们进行了特征选择，以识别最重要的生物标志物，以预测AD严重程度评分。结果：我们验证了我们的模型，并确认它优于标准时间序列预测模型。添加生物标志物并不能改善预测性能。我们对AD严重性评分的最小可检测变化的估计值大于已经发表的对临床上最小的重要差异的估计值。结论：生物标志物在预测未来AD严重程度评分和全身治疗结果方面的作用可忽略不计。相反，严重性评分的历史记录提供了预测治疗反应所需的丰富而有见地的动态信息。我们验证了模型，并确认它优于标准时间序列预测模型。添加生物标志物并不能改善预测性能。我们对AD严重性评分的最小可检测变化的估计值大于已经发表的对临床上最小的重要差异的估计值。结论：生物标志物在预测未来AD严重程度评分和全身治疗结果方面的作用可忽略不计。相反，严重性评分的历史记录提供了预测治疗反应所需的丰富而有见地的动态信息。我们验证了模型，并确认它优于标准时间序列预测模型。添加生物标志物并不能改善预测性能。我们对AD严重性评分的最小可检测变化的估计值大于已经发表的对临床上最小的重要差异的估计值。结论：生物标志物在预测未来AD严重程度评分和全身治疗结果方面的作用可忽略不计。相反，严重性评分的历史记录提供了预测治疗反应所需的丰富而有见地的动态信息。我们对AD严重性评分的最小可检测变化的估计值大于已经发表的对临床上最小的重要差异的估计值。结论：生物标志物在预测未来AD严重程度评分和全身治疗结果方面的作用可忽略不计。相反，严重性评分的历史记录提供了预测治疗反应所需的丰富而有见地的动态信息。我们对AD严重性评分的最小可检测变化的估计值大于已经发表的对临床上最小的重要差异的估计值。结论：生物标志物在预测未来AD严重程度评分和全身治疗结果方面的作用可忽略不计。相反，严重性评分的历史记录提供了预测治疗反应所需的丰富而有见地的动态信息。