Mathematical methods in machine learning for predicting response to treatment in patients with severe bullous dermatoses

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

BACKGROUND: Machine learning is widely used in medicine, specifically dermatology, to predict response to treatment and disease severity and activity. Until recently, these assessments in patients with bullous dermatoses were primarily performed by direct immunofluorescence image analysis, and machine learning was not used to integrate the findings of genetic and immunological tests.

AIM: This study aimed to create a model for predicting resistance to systemic glucocorticoids in patients with bullous dermatoses and classify the patients as steroid-resistant or steroid-sensitive based on genomic (HLA-DRB1, HLA-DQB1, glucocorticoid receptor [GR] A3669G β isoform, expression of α/β isoforms) and non-genomic (cytokines, chemokines, granulysin) data using machine learning.

METHODS: The study included 150 patients with bullous dermatoses and 92 donors for genetic testing, as well as 67 patients and 43 donors for cytokine/chemokine and granulysin tests. The following methods were used: logistic regression, support vector machine, decision tree, random forest, gradient boosting, and ROC analysis.

RESULTS: Logistic regression showed the highest accuracy (Recall 1, Precision 0.938, ROC-AUC 0.992). GRα isoform expression above 36.7 U was associated with the risk of bullous dermatosis of >50% (odds ratio: 1.116). The support vector machine identified significant HLA alleles and the A3669G polymorphism. The random forest and CatBoost confirmed the prognostic value of IL-15, IL-4, CXCL8, and granulysin in predicting resistance (ROC-AUC up to 0.879).

CONCLUSION: The formula based on GRα isoform expression accurately stratifies patients based on their risk of bullous dermatosis. Machine learning methods classify patients by resistance to systemic glucocorticoids based on the major histocompatibility complex (HLA) and immunological markers. Blister fluid analysis is a promising tool for early prediction of response to treatment and personalized therapy.

About the authors

Olga Y. Olisova

The First Sechenov Moscow State Medical University

Email: olisovaolga@mail.ru
ORCID iD: 0000-0003-2482-1754
SPIN-code: 2500-7989

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Anfisa A. Lepekhova

The First Sechenov Moscow State Medical University

Author for correspondence.
Email: anfisa.lepehova@yandex.ru
ORCID iD: 0000-0002-4365-3090
SPIN-code: 3261-3520

MD, Cand. Sci. (Medicine), Assistant Professor

Russian Federation, Moscow

Alexander S. Dukhanin

The Russian National Research Medical University named after N.I. Pirogov

Email: das03@rambler.ru
ORCID iD: 0000-0003-2433-7727
SPIN-code: 5028-6000

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Natalia P. Teplyuk

The First Sechenov Moscow State Medical University

Email: teplyukn@gmail.com
ORCID iD: 0000-0002-5800-4800
SPIN-code: 8013-3256

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Nikolay L. Shimanovsky

The Russian National Research Medical University named after N.I. Pirogov

Email: shiman@rsmu.ru
ORCID iD: 0000-0001-8887-4420
SPIN-code: 5232-8230

MD, Dr. Sci. (Medicine), Professor, Corresponding Member of the Russian Academy of Sciences

Russian Federation, Moscow

Andrey V. Sidortsov

Public JSC Sberbank

Email: sidortsov247@gmail.com
ORCID iD: 0009-0004-1100-7862

Data Scientist

Russian Federation, Moscow

Alina A. Mardanova

The First Sechenov Moscow State Medical University

Email: alinamardanova5@gmail.com
ORCID iD: 0009-0000-8883-6694
Russian Federation, Moscow

References

  1. Chan S, Reddy V, Myers B, et al. Machine learning in dermatology: current applications, opportunities, and limitations. Dermatol Ther (Heidelb). 2020;10(3):365–386. doi: 10.1007/s13555-020-00372-0
  2. Murphy KP. Machine learning: a probabilistic perspective. Cambridge: MIT Press; 2012. 1071 p. (Adaptive computation and machine learning). ISBN 9780262018029
  3. Silver D, Huang A, Maddison CJ, et al. Mastering the game of Go with deep neural networks and tree search. Nature. 2016;529(7587):484–489. doi: 10.1038/nature16961
  4. Jeong HK, Park C, Henao R, Kheterpal M. Deep learning in dermatology: a systematic review of current approaches, outcomes, and limitations. JID Innov. 2022;3(1):100150. doi: 10.1016/j.xjidi.2022.100150
  5. Coomans D, Massart DL. Alternative k-nearest neighbour rules in supervised pattern recognition: part 1 k-Nearest neighbour classification by using alternative voting rules. Anal Chim Acta. 1982;136:15–27. doi: 10.1016/S0003-2670(01)95359-0
  6. Hearst MA, Dumais ST, Osuna E, et al. Support vector machines. IEEE Intell Syst Appl. 1998;13(4):18–28. doi: 10.1109/5254.708428
  7. Breiman L. Random forests. Mach Learn. 2001;45(1):5–32. doi: 10.1023/A:1010933404324
  8. Manning CD, Schütze H. Foundations of statistical natural language processing. Cambridge: MIT Press; 1999. 680 p. ISBN 0-262-13360-1
  9. Schmidt E, Kasperkiewicz M, Joly P. Pemphigus. Lancet. 2019;394(10201):882–894. doi: 10.1016/S0140-6736(19)31778-7
  10. Schmidt E, Zillikens D. Pemphigoid diseases. Lancet. 2013;381(9863):320–332. doi: 10.1016/S0140-6736(12)61140-4
  11. Shah H, Parisi R, Mukherjee E, et al. Update on Stevens-Johnson syndrome and toxic epidermal necrolysis: diagnosis and management. Am J Clin Dermatol. 2024;25(6):891–908. doi: 10.1007/s40257-024-00889-6 EDN: WYXLLY
  12. Joly P, Horvath B, Patsatsi Α, et al. Updated S2K guidelines on the management of pemphigus vulgaris and foliaceus initiated by the European Academy of Dermatology and Venereology (EADV). J Eur Acad Dermatol Venereol. 2020;34(9):1900–1913. doi: 10.1111/jdv.16752 EDN: HHTDRU
  13. Lepekhova A, Olisova O, Shimanovsky N, et al. A3669G polymorphism of glucocorticoid receptor is more present in patients with pemphigus vulgaris than in healthy controls and contributes to steroid-resistance. Dermatol Ther. 2024;2024(1):10.1155/2024/5573157. doi: 10.1155/2024/5573157 EDN: BUOOMK
  14. Chriguer RS, Roselino AM, de Castro M. Glucocorticoid sensitivity and proinflammatory cytokines pattern in pemphigus. J Clin Immunol. 2012;32(4):786–793. doi: 10.1007/s10875-012-9679-y EDN: BYTDVZ
  15. Clinical recommendations. Bubble wrap. Russian Society of Dermatovenerologists and Cosmetologists; 2020. (In Russ.) Available from: https://cnikvi.ru/klinicheskie-rekomendacii-rossijskogo-obshchestva/klinicheskie-rekomendacii/#klinicheskie-rekomendacii-minzdrava-RF/dermatologiya Accessed: 15.08.2025. (In Russ.)
  16. Clinical recommendations. Bullous pemphigoid. Russian Society of Dermatovenerologists and Cosmetologists; 2020. (In Russ.) Available from: https://cnikvi.ru/klinicheskie-rekomendacii-rossijskogo-obshchestva/klinicheskie-rekomendacii/#klinicheskie-rekomendacii-minzdrava-RF/dermatologiya Accessed: 15.08.2025.
  17. Clinical recommendations. Stevens-Johnson syndrome. Russian Society of Dermatovenerologists and Cosmetologists; 2020. (In Russ.) Available from: https://cnikvi.ru/klinicheskie-rekomendacii-rossijskogo-obshchestva/klinicheskie-rekomendacii/#klinicheskie-rekomendacii-minzdrava-RF/dermatologiya Accessed: 15.08.2025.
  18. Murrell DF, Dick S, Ahmed AR, et al. Consensus statement on definitions of disease, end points, and therapeutic response for pemphigus. J Am Acad Dermatol. 2008;58(6):1043–1046. doi: 10.1016/j.jaad.2008.01.012
  19. Puri P, Comfere N, Drage LA, et al. Deep learning for dermatologists: part II. Current applications. J Am Acad Dermatol. 2022;87(6):1352–1360. doi: 10.1016/j.jaad.2020.05.053 EDN: ILKKYW
  20. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115–118. doi: 10.1038/nature21056
  21. Tschandl P, Rosendahl C, Kittler H. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci Data. 2018;5(1):180161. doi: 10.1038/sdata.2018.161
  22. Bagel J, Wang Y, Montgomery P. A Machine Learning-Based Test for Predicting Response to Psoriasis Biologics. J of Skin. 2021;5(6):621-638. doi: 10.25251/skin.5.6.5.
  23. Omiye JA, Gui H, Daneshjou R, et al. Principles, applications, and future of artificial intelligence in dermatology. Front Med (Lausanne). 2023;10:1278232. doi: 10.3389/fmed.2023.1278232 EDN: METAYN
  24. Patrick MT, Stuart PE, Raja K, et al. Genetic signature to provide robust risk assessment of psoriatic arthritis development in psoriasis patients. Nat Commun. 2018;9(1):4178. doi: 10.1038/s41467-018-06672-6
  25. Shi C, Azzopardi G, Petkov N, et al. Detection of u-serrated patterns in direct immunofluorescence images of autoimmune bullous diseases by inhibition-augmented COSFIRE filters. Int J Med Inform. 2019;122:27–36. doi: 10.1016/j.ijmedinf.2018.11.007 EDN: WNUEPX
  26. Van Beek N, Dähnrich C, Johannsen N, et al. Prospective studies on the routine use of a novel multivariant enzyme-linked immunosorbent assay for the diagnosis of autoimmune bullous diseases. J Am Acad Dermatol. 2017;76(5):889–894e5. doi: 10.1016/j.jaad.2016.11.002

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Study design. АП, acantholytic pemphigus; БП, bullous pemphigoid; ССД/ТЭН, Stevens-Johnson syndrome / toxic epidermal necrolysis; ПЦР, polymerase chain reaction; ELISA, enzyme immunoassay; CP(+)/CP(-), the presence/absence of steroid resistance.

Download (1MB)
Indexing metadata
3. Fig. 2. Distribution of patients with bullous dermatoses by diagnosis. ВП, vulgar pemphigus; ВегП, vegetative pemphigus; ЛП, leaf-shaped pemphigus; ПНП, paraneoplastic pemphigus; БП, bullous pemphigoid; ССД/ТЭН, Stevens-Johnson syndrome / toxic epidermal necrolysis.

Download (224KB)
Indexing metadata
4. Fig. 3. Distribution of patients with bullous dermatoses and groups of healthy volunteers by gender (bar chart). ВП, vulgar pemphigus; ЛП, leaf-shaped pemphigus; ПНП, paraneoplastic pemphigus; ВегП, vegetative pemphigus; БП, bullous pemphigoid; ССД/ТЭН, Stevens-Johnson syndrome / toxic epidermal necrolysis.

Download (162KB)
Indexing metadata
5. Fig. 4. Distribution of patients with bullous dermatoses and groups of healthy volunteers by age (violin diagram). ССД/ТЭН, Stevens-Johnson syndrome / toxic epidermal necrolysis.

Download (524KB)
Indexing metadata
6. Fig. 5. Prevalence of steroid resistance in patients depending on the established diagnosis. ССД/ТЭН, Stevens-Johnson syndrome / toxic epidermal necrolysis; БП, bullous pemphigoid; ВегП, vegetative pemphigus; ПНП, paraneoplastic pemphigus; ЛП, leaf-shaped pemphigus; ВП, vulgar pemphigus.

Download (164KB)
Indexing metadata
7. Fig. 6. Error matrix.

Download (218KB)
Indexing metadata
8. Fig. 7. The effect of the expression level of the α-isoform of GH on the likelihood of developing bullous dermatosis. БД, bullous dermatosis.

Download (319KB)
Indexing metadata
9. Fig. 8. Graph of the dependence of the probability of developing bullous dermatosis on the expression of the α-isoform of GR. БД, bullous dermatosis.

Download (440KB)
Indexing metadata
10. Fig. 9. Graph of the importance of features for the algorithm of the support vector method in the case of prediction of steroid resistance in patients by genomic mechanisms.

Download (809KB)
Indexing metadata
11. Fig. 10. Graph of the importance of features for the algorithm of the support vector method in the case of forecasting steroid resistance in patients at the extragenomic level (CatBoostClassifier; RandoomForestClassifier; LogisticRegression).

Download (726KB)
Indexing metadata

Copyright (c) 2025 Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».