Un modèle d'apprentissage automatique généré par une équipe de la European Society for Blood and Marrow Transplantation (EBMT) a surpassé les modèles statistiques standard pour identifier et stratifier le risque de transplantation pour les patients atteints de myélofibrose, selon de nouvelles recherches publiées aujourd'hui dans Sang, Le Journal phare de l'American Society of Hematology.
« Bien qu'il existe de nombreux modèles disponibles pour identifier les patients atteints de myélofibrose à haut risque, nous manquons toujours d'outils pour déterminer le risque de transplantation pour ces patients », a déclaré l'un des auteurs principaux de l'étude, Juan Carlos Hernández Boluda, MD, PhD, un hématologue à l'hôpital Crínico de Valencia et de l'absence myéloproliférative néoplasms. « Notre outil pronostique identifie et identifie efficacement les patients à haut risque présentant une myélofibrose à haut risque de mortalité après transplantation, permettant une meilleure planification stratégique et potentiellement d'améliorer les résultats. »
La myélofibrose est un cancer du sang rare dans lequel les cellules souches de la moelle osseuse acquièrent un défaut génétique, provoquant une production excessive de cellules sanguines ainsi qu'un grand nombre de facteurs inflammatoires. Cela conduit à la formation de tissu cicatriciel dans les os, entraînant une anémie et une migration des cellules souches vers d'autres organes, principalement la rate et le foie. Bien qu'il existe plusieurs thérapies disponibles pour traiter la myélofibrose, la seule option curative reste une transplantation de cellules allogéniques-hématopoïétiques (allo-HCT), lorsque des cellules souches saines d'un donneur sont transplantées chez un patient pour remplacer les cellules anormales.
La décision d'effectuer une greffe chez un patient atteint de myélofibrose est souvent très complexe. Seuls environ 10% des patients atteints de myélofibrose en finissent par en finir. Malheureusement, étant donné le manque d'outils d'évaluation des risques, les prestataires doivent généralement s'appuyer sur l'expérience personnelle, plutôt que sur des critères bien définis, pour aider à prendre cette décision difficile. «
Le Dr Juan Carlos Hernández Boluda, MD, PhD, hématologue à l'hôpital Clínico de Valence
Les chercheurs ont cherché à améliorer l'évaluation des risques pour les patients à la recherche d'Allo-HCT, en mettant l'accent sur la prévision de la survie globale. Ils ont identifié 5 183 patients adultes de 288 centres enregistrés EBMT, faisant rapport au registre EBMT, qui avait subi une première allo-HCT entre 2005 et 2020. De ces dossiers, 3887 ont été utilisés pour former l'algorithme, tandis que 1 296 ont été utilisés pour évaluer et valider le nouveau modèle. Le suivi médian et la survie globale de la cohorte de formation étaient respectivement de 58,2 mois et 79,4 mois; Pour la cohorte de test, le suivi médian était de 60,0 mois et la survie globale médiane était de 73,7 mois.
L'équipe de recherche EBMT a estimé la survie globale et la survie sans progression grâce à la méthode de Kaplan-Meier. La mortalité sans repos a été définie comme l'heure de la date de transplantation à la date de décès (non censurée) ou à la date de rechute de la maladie (censurée). Les statisticiens indépendants ont utilisé des méthodologies distinctes (méthodes de régression de Cox ou techniques d'apprentissage automatique) pour évaluer les facteurs influençant la survie globale dans le même ensemble de données, visant à développer des modèles pronostiques pour stratifier les patients dans différents groupes de risque de mortalité post-transplantante.
Les classifications des risques qui en résultent ont été comparées et contextualisées pour évaluer leur pertinence clinique. Les chercheurs ont développé un modèle pronostique utilisant des forêts de survie aléatoires, un type d'algorithme d'apprentissage automatique généralement utilisé pour la survie. Le modèle RSF a atteint des indices de concordance plus élevés pour prédire à la fois la survie globale et la mortalité non repositive comparée trois méthodes d'apprentissage automatique alternatives et a donc été sélectionné comme approche principale pour les analyses ultérieures. Le modèle d'apprentissage automatique a produit des résultats plus reproductibles que les modèles de comparaison. De plus, il a surpassé les modèles standard en précision et a identifié un sous-ensemble de patients à haut risque ayant 40% de chances de mourir dans un an après la transplantation – 25% des patients atteints de myélofibrose. Ces données sont utiles pour contraster avec les facteurs de risque liés à la maladie, ce qui rend important les patients décidant de subir ou non une transplantation.
L'équipe de recherche a traduit son modèle RSF en une calculatrice Web à accès ouvert pour les fournisseurs à référencer. L'outil final prédit la survie globale pour les patients après la transplantation en fonction de 10 caractéristiques clés des patients, notamment l'âge du patient, l'état de performance, l'indice de comorbidité, les paramètres hématologiques, le type de donneur, l'intensité de conditionnement et le type de prophylaxie de la maladie du greffon contre l'hôte.
« Les cliniciens peuvent utiliser cette calculatrice pour améliorer la prise de décision partagée avec leurs patients », a déclaré l'auteur de l'étude, Donal McLornan, MRCP, PhD, FRCPATH, consultant en hématologie et transplantation de cellules souches à l'université Collège London Hospital NHS Foundation Trust, EBMT Scientific Council Counc-ré-répréseillement et chaise chronique de la chaise de travail de travail. « Il s'agit d'un outil pratique et facile à utiliser qui prend en compte les données que tout clinicien en transplantation aura déjà à portée de main. »
« Du point de vue de l'apprentissage automatique, ce modèle répond vraiment à ce que j'appelle les« trois A »pour intégrer efficacement l'intelligence artificielle en médecine», a ajouté Adrián Mosquera, MD, PhD, hématologue et expert en apprentissage automatique conduisant également la recherche de l'hôpital universitaire de Santiago de Compostela. « Premièrement, il est largement applicable: les variables qui composent le modèle peuvent être facilement obtenues quel que soit le système de soins de santé. Deuxièmement, il est très accessible, grâce à un simple outil de calcul disponible gratuitement sur le Web. Enfin, il est cliniquement réalisable: cet outil prend en charge les équipes multidisciplinaires pour décider de la thérapie cellulaire ou de l'évaluation des options médicales et des soutiens à la fois aux cliniciens et aux patients pour faire plus de disques informatiques.
L'équipe a averti que l'étude a certaines limites, principalement sa dépendance à l'égard d'un registre des patients, qui manquait de données pour certaines variables, y compris le degré de fibrose de la moelle osseuse et la présence de mutations somatiques supplémentaires au moment de la transplantation. À l'avenir, ils espèrent rassembler des données réelles entrées dans l'application et intégrer d'autres facteurs de maladie spécifiques pour affiner l'applicabilité du modèle.
