Profil de cohorte: La recherche appliquée public-privé permettant la recherche clinique sur l'ostéo-arthrite (IMI-APPROACH): une étude de cohorte européenne de 2 ans pour décrire, valider et prédire les phénotypes de l'arthrose à l'aide de marqueurs cliniques, d'imagerie et biochimiques

Profil de cohorte: La recherche appliquée public-privé permettant la recherche clinique sur l'ostéo-arthrite (IMI-APPROACH): une étude de cohorte européenne de 2 ans pour décrire, valider et prédire les phénotypes de l'arthrose à l'aide de marqueurs cliniques, d'imagerie et biochimiques

juli 29, 2020 0 Door admin


CBD Olie kan helpen bij artrose. Lees hoe op

Huile de CBD peut aider avec l’arthrose. Visite


Cohort profile: The Applied Public-Private Research enabling OsteoArthritis Clinical Headway (IMI-APPROACH) study: a 2-year, European, cohort study to describe, validate and predict phenotypes of osteoarthritis using clinical, imaging and biochemical markers

  1. M van Helvoort1,
  2. Willem E van Spil1,
  3.ène P Jansen1,
  4. Paco M J Welsing1,
  5. Margreet Kloppenburg2,3,
  6. Loef3,
  7. J Blanco4,
  8. Ida K Haugen5,
  9. Francis Berenbaum6,
  10. Jaume Bacardit7,
  11. Christoph H Ladel8,
  12. John Loughlin9,
  13. Anne C Bay-Jensen10,
  14. Ali Mobasheri11,
  15. Jonathan Larkin12,
  16. Janneke Boere13,
  17. Harrie H Weinans1,14,
  18. Agnes Lalande15,
  19. Anne C A Marijnissen1,
  20. Floris P J G Lafeber1

  1. 1Rheumatology and Clinical Immunology, UMC Utrecht, Utrecht, The Netherlands

  2. 2Clinical Epidemiology, Leiden University Medical Center, Leiden, The Netherlands

  3. 3Rheumatology, Leiden Universitair Medisch Centrum, Leiden, The Netherlands

  4. 4Servicio de Reumatologia, INIBIC-Hospital Universitario A Coruña, A Coruña, Spain

  5. 5Rheumatology, Diakonhjemmet Hospital, Oslo, Norway

  6. 6Rheumatology, Sorbonne Université, Paris, France

  7. 7School of Computing Science, Newcastle University, Newcastle upon Tyne, Tyne and Wear, UK

  8. 8Merck Serono Research, Merck KGaA, Darmstadt, Germany

  9. 9Musculoskeletal Research Group, Newcastle University, Newcastle upon Tyne, Tyne and Wear, UK

  10. 10Biomarkers and Research, Nordic Bioscience, Herlev, Denmark

  11. 11Regenarative Medicine, State Research Institute Center of Innovative Medicine, Vilnius, Lithuania

  12. 12GlaxoSmithKline USA, Philadelphia, Pennsylvania, USA

  13. 13Lygature, Utrecht, The Netherlands

  14. 14Orthopaedics, Erasmus University Medical Center, Rotterdam, The Netherlands

  15. 15Institut de Recherches Internationales Servier, Suresnes, France
  1. Correspondence to Dr Eefje M van Helvoort; E.M.vanHelvoort-3{at}


Purpose The Applied Public-Private Research enabling OsteoArthritis Clinical Headway (APPROACH) consortium intends to prospectively describe in detail, preselected patients with knee osteoarthritis (OA), using conventional and novel clinical, imaging, and biochemical markers, to support OA drug development.

Participants APPROACH is a prospective cohort study including 297 patients with tibiofemoral OA, according to the American College of Rheumatology classification criteria. Patients were (pre)selected from existing cohorts using machine learning models, developed on data from the CHECK cohort, to display a high likelihood of radiographic joint space width (JSW) loss and/or knee pain progression.

Findings to date Selection appeared logistically feasible and baseline characteristics of the cohort demonstrated an OA population with more severe disease: age 66.5 (SD 7.1) vs 68.1 (7.7) years, min-JSW 2.5 (1.3) vs 2.1 (1.0) mm and Knee injury and Osteoarthritis Outcome Score pain 31.3 (19.7) vs 17.7 (14.6), except for age, all: p

Future plans Patients will visit the hospital again at 6, 12 and 24 months for physical examination, pain and general health questionnaires, collection of blood and urine, MRI scans, radiographs of knees and hands, CT scan of the knee, low radiation whole-body CT, HandScan, motion analysis and performance-based tests.

After two years, data will show whether those patients with the highest probabilities for progression experienced disease progression as compared to those wit lower probabilities (model validation) and whether phenotypes/endotypes can be identified and predicted to facilitate targeted drug therapy.

Trial registration number NCT03883568

  • qualitative research
  • protocols & guidelines
  • rheumatology

This is an open access article distributed in accordance with the Creative Commons Attribution Non Commercial (CC BY-NC 4.0) license, which permits others to distribute, remix, adapt, build upon this work non-commercially, and license their derivative works on different terms, provided the original work is properly cited, appropriate credit is given, any changes made indicated, and the use is non-commercial. See:

View Full Text

Statistics from

Strengths and limitations of this study

  • The Applied Public-Private Research enabling OsteoArthritis Clinical Headway (APPROACH) cohort is part of a larger consortium, bringing together a highly qualified and multidisciplinary group of stakeholders in the form of a public–private partnership of engaged, knowledgeable and complementary industrial, academics and patient experts.

  • The APPROACH cohort is unique in its selection process, recruiting patients from existing cohorts based on machine learning models with encouraging results of which the actual utility needs to be demonstrated at the end of the 2-year follow-up.

  • The APPROACH cohort will provide 2-year follow-up data of 297 knee osteoarthritis patients including conventional and novel, explorative, imaging, biochemical, clinical and demographic (bio)markers according to strict protocols for acquisition and evaluation with the aim to identify phenotypes and develop predictive models for progression of these phenotypes.

  • The main limitations of the study are the descriptive phase in which the study is at present and the still limited number of 297 patients related to the large number of outcome parameters.


Osteoarthritis (OA) is characterised by changes in all (peri)articular tissues,1 2 causing pain, stiffness and loss of function, usually following a slowly progressive and nonlinear course.2 OA of the knee is the most common and most disabling, accounting for 83% of total OA burden.3 In 2010, the global prevalence of knee OA was estimated to be 4.7% in females and 2.6% in males and incidence peaked around the age of 50.4 Knee OA accounted at that time for 14.218 of total years lived with disability. This is a 64.8% increase compared with 1990 (8.627), emphasising the increasing burden of OA.3 Estimated healthcare costs of knee OA are €4.257 (€383–€7.675) per patient per year. Non-healthcare-related costs of knee OA, like productivity loss, are estimated to be €1.519 per patient per year.5 Ageing of the population, an increasing active life style at older age, and the current obesity pandemic all contribute to an even further increase of the incidence and prevalence of OA and its societal burden.6

Despite this growing OA burden and the still unmet need for effective treatment, pharmaceutical companies seem to have lost their confidence in drug development because clinical trials with potential disease-modifying OA drugs (DMOADs) could not demonstrate efficacy. This disappointing result likely has multiple origins.

The typically slow and heterogeneous OA course makes trials easily fall short in terms of size and length for demonstrating treatment efficacy.7 This issue is further aggravated by the use of relatively insensitive outcome measures (patient-reported outcome measurements), pain and radiographic joint space changes (X-ray), required by regulatory agencies for a drug to be certified as a DMOAD. Moreover, an incomplete understanding of the OA pathobiology obscures identification of proper treatment targets. This is complicated by the increasing knowledge that the pathobiological mechanisms driving the OA process differ between patients, (type of) joints and disease stages.2

This to-date concept of a highly heterogeneous disease contrasts with the one-size-fits-all treatment approach used in most trials and the focus on radiographic joint space narrowing (JSN) and pain as outcome parameters.

New (combinations of) sensitive and robust (bio)markers could importantly contribute to overcome the aforementioned challenges, improving the design of clinical trials in the OA field. Biomarkers with the ability to predict the likely disease course in an untreated individual, viz. prognostic markers, could be employed to identify subjects that will show significant progression of the disease on relevant outcome parameter(s) over the study period. Biomarkers that show a biological response to treatment, response markers, could serve as sensitive outcome parameters, supplementing (or even replacing) radiographic joint space changes and MRI read-outs. These biomarkers could also help to identify vital components of the OA pathobiology and with that distinguish between phenotypes/endotypes. This will help to forecast the potential response to treatments targeted to specific mechanisms. Altogether, such biomarkers could importantly improve the quality and effectiveness of trials of potential DMOADs and joint preserving surgical treatments, in terms of selection of study participants, outcome parameters, and study size and length.8

Applied Public-Private Research enabling OsteoArthritis Clinical Headway

Although currently available cohort studies, like the Dutch CHECK9 and the US OAI with the FNIH10 have increased our knowledge of the disease, these attempts still have not resulted in clearly distinctive phenotypes/endotypes with predictive biomarkers. Therefore, the current Applied Public-Private Research enabling OsteoArthritis Clinical Headway (APPROACH) cohort uses a novel strategy and extends on previous studies in several ways. The study is part of a larger consortium being conducted under the Innovative Medicine’s Initiative, bringing together a highly qualified and multidisciplinary group of stakeholders in the form of a public–private partnership of engaged, knowledgeable and complementary industrial, academic, and patient experts.

The APPROACH cohort is unique in its attempt to recruit patients primarily from existing cohorts using machine learning (ML) models (adjusted to the specific cohorts) trained using patient data from the CHECK cohort to increase the likelihood of radiographic joint space width (JSW) loss and/or knee pain progression during a limited, 2-year follow-up period. The relative short 2-year period is chosen to facilitate translation of results to pragmatic trial design.

In addition to this unique preselection of patients, the APPROACH cohort combines a very broad spectrum of conventional and novel, explorative, imaging, biochemical, clinical and demographic markers. Using data science techniques suitable to analyse these ‘big data’, algorithms of biomarkers will identify and predict phenotypes/endotypes of OA that share distinct underlying pathobiological mechanisms with their structural and function consequences, relevant for practical and targeted clinical trials.

The objectives of the cohort study are (

  • To validate and refine the prediction model for sustained pain and decrease in (minimum) JSW as developed for the selection of patients.

  • To develop and validate sensitive markers of/predictive for OA progression by use of conventional and novel clinical, imaging, and biochemical (bio)markers.

  • To discover and predict novel OA phenotypes (eg, post-traumatic, metabolic, ageing, inflammatory, bone driven and genetic) and (their) disease progression.

  • To prospectively describe in detail the discovered phenotypes by use of conventional and novel clinical, imaging and biochemical (bio)markers.

Cohort description

The prospective follow-up of the 297 included patients will be 2 years. A large spectrum of conventional and novel (bio)markers for discovery (baseline, 1-year and 2-year follow-up), and prediction (baseline and change over six months) of knee OA phenotypes/endotypes will be gathered.

Patient selection

Patients were stepwise selected for a high chance of structural progression (JSN) and/or pain progression/sustained severity over two years, using two ML models, for the likelihood of each patient to be a ‘progressor’.

The selection process will be described in detail elsewhere.11 In summary, patients with predominant tibiofemoral OA were selected from five European observational OA cohorts (CHECK,9 HOSTAS,12 MUST,13 PROCOAC14 and DIGICOD; for cohort details see online supplementary file 1) using an ML approach, trained on longitudinal data from the CHECK cohort, and adjusted for the specific cohorts using the available data from each of the cohorts. Separate models for prediction of structural progression and for sustained significant knee pain or pain progression were used. Structural progression was defined as a reduction in JSW of ≥0.3 mm per year over a period of 2–3 years (0.7 mm is the minimal detectable difference in radiographic JSW).15 Sustained significant pain and pain increase were defined as at least one of the three following: Knee injury and Osteoarthritis Outcome Score (KOOS) pain (on a 0–100 scale) increase ≥5/year and ≥40 at two years, KOOS pain increase ≥10/year and ≥35 at two years or ≥40 at both baseline and two years. Three types of progression were defined: pain progression, structural progression, and both pain and structural progression.

All identified patients of the existing cohorts (ranking the highest for predicted progression in the first ML model) willing to participate were invited for a screening visit. During this visit, inclusion and exclusion criteria were checked and an index knee was selected based on American College of Rheumatology (ACR) criteria.16 If both knees fulfilled the criteria, patients indicated their own index knee based on severity of complaints, in case equal the right knee was selected as the index knee. Key predictors from the first predictive ML model, for example, KOOS17 and Knee Image Digital Analysis (KIDA) parameters,18 were collected and fed into a subsequent predictive ML model that was uniform for all cohorts. The patients who ranked the highest in this second model were included and invited for a baseline visit.

Because the existing source cohorts could not all provide sufficient patients due to the selection process, patients withdrawing consent and non-compliance with inclusion criteria, a small number of additional patients were recruited from outpatient departments and invited for a screening visit (see figure 1). These newly recruited patients were also ranked and selected using the second, uniform predictive ML model.

Figure 1

Flow diagram of patient selection for the APPROACH cohort study. APPROACH, Applied Public-Private Research Enabling OsteoArthritis Clinical Headway

Inclusion criteria

  • Able to walk unassisted.

  • ≥18 years of age.

  • Capable of understanding the study.

  • Capable of communicating in local language.

  • Predominantly tibiofemoral knee OA and satisfying the clinical ACR classification criteria for knee OA:

    • Knee pain.

    • Three or more of the following:

      • >50 years of age.

      • Crepitus on active motion.

      • Bony tenderness.

      • Bony enlargement.

      • No palpable warmth.

  • High probability of progression (ranking) based on the algorithm using the following parameters:

    • Reduced version of KOOS questionnaire (pain, stiffness and function).

    • Body Mass Index.

    • Numeric Rating Scale (NRS) pain19 of index knee at moment of screening visit.

    • NRS pain of index knee in last week before screening visit.

    • Age.

    • Gender.

    • KIDA parameters of the index knee, based on standard weight-bearing radiograph, taken at screening.18

Exclusion criteria

  • Inability to comply to the protocol.

  • Participation in a trial of local therapeutic intervention for index knee OA or potential systemic DMOADs at the time of inclusion, within six months before inclusion, and/or anticipated during two years of follow-up. Participation in non-interventional studies was allowed.

  • Surgery of the index knee in the six months before inclusion and/or scheduled or expected surgery of the index knee during follow-up.

  • Current pregnancy or planned pregnancy during follow-up (because of imaging).

  • Predominantly patellofemoral knee OA.

  • Secondary knee OA. For example, due to severe leg deformity (knee varus or valgus >10°), inflammatory joint disease (either autoimmune, infectious or crystal-induced), severe chondrocalcinosis, Paget’s disease of the bone, ochronosis, acromegaly, haemochromatosis, Wilson’s disease, osteochondritis dissecans, haemophilia.

  • Alternative/additional causes of joint pain, for example, rheumatic symptoms due to malignancies, primary osteochondromatosis, osteonecrosis.

  • Generalised pain syndrome, for example, fibromyalgia.

  • Patients with contraindications for undergoing MRI or CT.

  • Previous hip replacement or expected hip replacement within six months.

  • Osteosynthesis material near the knee joint.

  • Self-reported severe spine OA.

  • Current knee prosthesis; in case of surgical replacement of the index or contralateral knee during follow-up, images of that joint will be considered irrelevant and not be obtained. All other acquisitions will be performed as scheduled and patients will remain in the study.

Baseline characteristics of the APPROACH cohort

The baseline characteristics of the APPROACH cohort in total and per centre are shown in table 1.

Table 1

Baseline characteristics of the APPROACH cohort study Kellgren and Lawrence (grade)

Despite ranking of all screened patients from the different cohorts in one uniform ML model, baseline characteristics differed between the patients that were included from the different cohorts, representing the characteristics of the original source cohorts.

Investigation schedule

Conventional and novel clinical, imaging, biochemical and kinetic markers of the index knee and other joints were obtained at baseline and will be obtained at 6, 12 and 24 months (table 2). For a detailed description of all parameters see online supplementary file 2.

Table 2

Investigation schedule of the APPROACH cohort study

Parameters for description of OA progression and phenotypes

OA progression and phenotype of the index knee over two years will be described by changes from baseline to the 1-year and/or 2-year visit.

The parameters used to define structural progression will be:

  • Radiographic parameters of knee OA severity; JSW and osteophytes en utilisant les mesures KIDA, la classification de Kellgren et Lawrence (KL) et la classification de l’Osteoarthritis Research Society International (OARSI). 18 20 21 a >

  • Paramètres d’IRM quantitatifs pour le cartilage, y compris l’épaisseur, le volume et les zones osseuses dénudées dans l’articulation fémoro-tibiale. 22

  • Évaluation par IRM semi-quantitative des composants cartilagineux et non cartilagineux, y compris l’œdème de la moelle osseuse, l’altération méniscale et la synovite, évaluée séparément et sous un score global. 23

  • Paramètres radiographiques avancés; analyses de forme osseuse et architecture osseuse sous-chondrale sur radiographies standard et CT haute résolution représentant les déformations / adaptations osseuses et trabéculaires liées à l’arthrose. 24 a>

  • marqueurs (Bio) dans le sang et l’urine représentant le renouvellement et l’inflammation du cartilage, des os et de la matrice synoviale.

Les paramètres de la douleur et de la fonction seront:

  • Questionnaire KOOS. 17

  • Douleurs ostéo-arthritiques intermittentes et constantes au genou (ICOAP ) questionnaire. 25

  • Paramètres généraux de la douleur et de la fonction (par exemple, index d’examen physique du genou).

Paramètres de prédiction de la progression et des phénotypes de l’arthrose du genou index

Prédiction de l’OA p La rogression (spécifique au phénotype) sera évaluée en utilisant le ML en tenant compte des paramètres mentionnés ci-dessus en plus des marqueurs exploratoires au départ et, si disponible, à 6 mois:

  • Paramètres IRM qualitatifs; IRM de relaxation T2 représentant la distribution du collagène du cartilage. 26

  • Paramètres d’imagerie radiographique avancés; analyse de la forme de l’os par IRM représentant la zone et la forme de l’os. 27

  • Analyse de mouvement (GaitSmart 28 ) .

  • Tests basés sur les performances (test de marche auto-rythmé de 40 m et test de position debout sur chaise de 30 s). 29


En plus des paramètres mentionnés ci-dessus, les covariables suivantes sont disponibles pour la modélisation et les analyses ML:

  • OA controlatérale du genou.

    • Mesures KIDA, 18 Classement KL 20 et le classement OARSI. 21

  • Hand OA p>

    • Inflammation des articulations de la main (HandScan). 30

    • Caractéristiques d’arthrose des articulations de la main sur les radiographies standard: classification KL, 20 Score OARSI 21 et notation Verbruggen-Veys. 31

    • Questionnaire sur l’index fonctionnel de l’arthrose de la main. 32

  • Hip OA

    • Caractéristiques d’arthrose des hanches: TDM à faible dose du corps entier (WBLDCT). 33 a>

    • Handicap de la hanche et résultat de l’arthrose 34 et ICOAP branché. 25

  • Facette joint OA et intervertir Dégénérescence du disque ebral: WBLDCT.

  • Caractéristiques OA des articulations glénohumérales et acromio-claviculaires: WBLDCT.

  • Paramètres généraux de douleur et de fonction

    • Questionnaire abrégé du formulaire 36 sur la qualité de vie. 35

    • Douleur avec enregistrement des analgésiques concomitants dans un journal de douleur personnalisé d’un mois.

    • Douleur NRS du genou controlatéral, des deux hanches, des deux mains et de la colonne vertébrale. 19

    • Questionnaire PainDETECT utilisé pour identifier la probabilité d’un composant de la douleur neuropathique. 36

    • Analyse de mouvement (GaitSmart) à 24 mois. 28

    • Tests basés sur les performances à 24 mois. 29

    • Examen physique du genou, des hanches et des mains controlatéraux.

  • Marqueurs biochimiques systémiques (bio) facultatifs

    • Marqueurs épigénétiques, génomiques, transcriptomiques, protéomiques, lipidomiques et métabolomiques (à définir).
  • Données cliniques générales

    • Histoire et type de traumatisme et de chirurgie du genou.

    • Tabagisme.

    • État de la ménopause.

    • Traitement concomitant de l’arthrose.
  • Paramètres avancés

    • Analyse de la forme osseuse sur des radiographies de k controlatéral nee.

    • Analyse osseuse sous-chondrale sur radiographies du genou controlatéral.

    • Analyse de la forme osseuse de la hanche sur WBLDCT.

Analyse statistique

Les analyses statistiques des données de base pour le manuscrit actuel ont été effectuées à l’aide de SPSS Statistics V.25 . Pour évaluer les différences entre les patients inclus et exclus, des tests t ont été utilisés. L’analyse de la variance a été utilisée pour comparer les patients inclus des cinq centres différents. Les valeurs p

Plan d’analyse futur: Les analyses statistiques seront conformes aux objectifs du projet initial. Au moment de l’analyse des données, les meilleures méthodes pour atteindre les objectifs de l’APPROCHE seront définies car cette médecine systémique est un domaine en évolution rapide. Le plan d’analyse final sera décidé avant le verrouillage de la base de données. Dans un aperçu, il comprendra:

Validation du modèle de prédiction utilisé dans le processus d’inclusion: les prédictions du modèle de la douleur et de la progression structurelle seront comparées à la progression réelle observée sur 2 ans suivi.

Développement et validation d’un modèle prédictif pour la progression de l’OA: les données de base et / ou le changement au cours des six premiers mois de suivi seront utilisés pour former et tester (ML) pour la progression de l’OA. Une validation externe de ces modèles sera nécessaire pour la mise en œuvre dans la pratique.

Découverte et prédiction des phénotypes / endotypes: L’ensemble de données sera exploré en utilisant différentes approches statistiques pour définir des sous-groupes avec caractéristiques communes. Les phénotypes / endotypes identifiés seront sélectionnés lors de discussions avec des experts cliniques et décrits et prédits de manière suffisamment détaillée pour être utiles dans le diagnostic pratique de l’arthrose et la sélection des patients.

Déclaration de participation des patients et du public

Un conseil de patients (CP) a été institué pour s’assurer que les patients sont représentés dans APPROACH. Le CP a contribué à la conception de l’étude clinique et, avec cela, a contribué à façonner le projet en tenant particulièrement compte des intérêts des participants à l’étude. Le PC restera en contact étroit avec les chercheurs tout au long du projet.

Résultats à ce jour

La figure 2 décrit la probabilité de progression, telle que prédite par le deuxième modèle ML uniforme utilisant la visite de sélection données de tous les patients, ceux qui ont finalement été sélectionnés et ceux qui ont été exclus. Pour connaître les scores moyens de progression prévus (estimations de confiance) et les résultats pour des centres distincts, consultez le fichier supplémentaire en ligne 3 .

Figure 2

Scores de progression prédits des participants à l’approche. scores de progression combinés (A), douleur (B) et structurelle (C) (estimations de confiance) des patients classés (n = 409), sélectionnés (n = 314) et exclus (n = 112). Les boîtes à moustaches représentent la moyenne ± IQR.

Patients inclus ou exclus

Out sur les 314 patients, 297 patients ont assisté à leur visite initiale et ont été inclus dans la cohorte. Les 17 patients restants se sont retirés après la sélection initiale ou n’ont pas pu assister à la visite de référence avant la date limite. Tous les paramètres de base présentés étaient statistiquement significatifs différents entre les patients inclus et exclus, à l’exception de l’âge et de la JSW moyenne ( tableau 3 ) .

Tableau 3

Caractéristiques de dépistage de la population totale de l’étude

Le processus d’inclusion de la cohorte APPROACH est considéré comme réussi. La double évaluation avec la visite de dépistage supplémentaire et un deuxième ML a démontré la valeur pratique de la stratégie de recrutement choisie. Bien que l’on aurait pu s’attendre à des probabilités de progression plus élevées à partir du processus de sélection, les possibilités d’optimisation supplémentaire étaient limitées en raison d’une fenêtre temporelle étroite et des données correspondantes disponibles provenant des cohortes sources. Néanmoins, les résultats montrent une différenciation claire dans les données de base des patients sélectionnés et exclus, avec une probabilité de progression accrue prévue des patients sélectionnés. En deux ans, le succès de la démarche, à savoir. la véritable progression de ces patients deviendra claire. Les probabilités prédites ne seront pas de 100%, nous prévoyons donc un nombre suffisant de patients non progressifs, ceux anticipés avec les probabilités de progression les plus faibles, qui serviront de témoins.

Données du Une cohorte longitudinale de 2 ans fournira des informations précieuses sur la pertinence des marqueurs cliniques, d’imagerie et biochimiques conventionnels et nouveaux. Les changements de ces marqueurs au cours des 6 premiers mois étendront probablement la capacité de prédire la probabilité de progression de l’arthrose à 12 et 24 mois (douleur, structurelle ou à la fois de douleur et structurelle) et de faire la distinction entre les différents phénotypes de l’arthrose. De nouveaux marqueurs pour identifier les phénotypes / endotypes OA pertinents basés sur l’imagerie, la locomotion et les méthodes biochimiques / omiques seront développés et validés. Cela permettra de classer chaque patient atteint d’arthrose du genou sur une échelle de progression spécifique au phénotype. En fin de compte, la cohorte APPROACH entend fournir une base pour les essais phénotypiques adaptés aux DMOAD potentiels, réduire le nombre requis de sujets d’étude et la durée des essais, et ainsi former la base d’une médecine personnalisée / stratifiée dans l’arthrose.

Forces et limites

La cohorte APPROACH fait partie d’un consortium plus large, réunissant une groupe multidisciplinaire de parties prenantes sous la forme d’un partenariat public-privé entre industriels, universitaires et patients experts engagés, compétents et complémentaires. La cohorte APPROACH est unique dans son processus de sélection, recrutant des patients à partir de cohortes existantes sur la base de modèles ML avec des résultats encourageants dont l’utilité réelle doit être démontrée à la fin du suivi de 2 ans. La cohorte APPROACH fournira des données de suivi à 2 ans de 297 patients arthrosiques du genou, y compris des marqueurs (bio) conventionnels et nouveaux, explorateurs, d’imagerie, biochimiques, cliniques et démographiques selon des protocoles stricts d’acquisition et d’évaluation dans le but d’identifier les phénotypes et développer des modèles prédictifs de la progression de ces phénotypes. Le suivi relativement limité de 2 ans permet de traduire les résultats en une conception d’essai pragmatique à l’avenir. Les principales limites de l’étude sont la phase descriptive dans laquelle se trouve actuellement l’étude et le nombre encore limité de patients inclus lié au grand nombre de paramètres de résultat.


Actuellement, les données sont confidentielles et uniquement accessibles aux partenaires d’IMI-APPROACH. Une fois le projet terminé, les droits d’accès doivent être approuvés par le comité de pilotage IMI-APPROACH. Plus d’informations sur le projet peuvent être obtenues sur le site Web: .

Afficher le résumé

Demander des autorisations

Si vous souhaitez réutiliser tout ou partie de cet article, veuillez utiliser le lien ci-dessous qui vous mènera au service RightsLink du Centre de suppression des droits d’auteur. Vous pourrez obtenir un prix rapide et une autorisation instantanée pour réutiliser le contenu de différentes manières.

Informations sur les droits d’auteur:

© Auteur (s) (ou leur (s) employeur (s)) 2020. Réutilisation autorisée sous CC BY-NC. Pas de réutilisation commerciale. Voir les droits et autorisations. Publié par BMJ. nc / 4.0 / Il s’agit d’un article en libre accès distribué conformément à la licence Creative Commons Attribution Non Commercial (CC BY-NC 4.0) , qui permet à d’autres de distribuer, de remixer, d’adapter, de s’appuyer sur ce travail à des fins non commerciales et de concéder sous licence leurs travaux dérivés à des conditions différentes, à condition que le travail original soit correctement cité, que le crédit approprié soit accordé, que les modifications apportées soient indiquées et que l’utilisation soit non commercial. Voir: .

Lire le texte intégral ou télécharger le PDF:

Connectez-vous en utilisant votre nom d’utilisateur et votre mot de passe

Lees Meer