Le modèle d'IA peut identifier les patients à haut risque de complications post-transplantation

Pour développer l'outil d'IA, connu sous le nom de BIOPREVENT, une équipe collaborative dirigée par des chercheurs du Hollings Cancer Center de l'Université médicale de Caroline du Sud (MUSC) a analysé les données de 1 310 receveurs de greffe inscrits dans quatre grandes études multicentriques.

L'équipe s'est concentrée sur des échantillons de sang prélevés 90 à 100 jours après la greffe. L'auteur principal de l'étude, Sophie Paczesny, MD, PhD, a déclaré Actualités médicales aujourd'hui que cette fenêtre est une période critique pendant laquelle les patients peuvent se sentir bien, mais que l'activité immunitaire sous-jacente peut déjà préparer le terrain pour des complications.

« La maladie ne commence pas lorsque les symptômes apparaissent – elle commence silencieusement. Nous avons émis l'hypothèse qu'autour du jour 90 à 100, il existe une phase subclinique de la GVHD qui peut être détectée biologiquement avant qu'elle ne devienne cliniquement apparente », a noté Paczesny.

« Nos données suggèrent que l'apprentissage automatique basé sur les biomarqueurs peut identifier le risque environ 2 à 8 mois avant le diagnostic formel, créant ainsi une fenêtre d'opportunité pour une action plus précoce. »
—Sophie Paczesny

Des travaux antérieurs dirigés par ce chercheur, qui est co-responsable du programme de biologie et d'immunologie du cancer du Hollings Cancer Center de l'Université médicale de Caroline du Sud, avaient identifié et validé sept protéines immunitaires liées à l'inflammation, à l'activation immunitaire, à la régulation immunitaire et aux lésions tissulaires.

Les chercheurs ont mesuré ces sept biomarqueurs, combinés à neuf facteurs cliniques, dont l'âge, le type de greffe, la maladie primaire et les complications antérieures.

Les chercheurs ont testé plusieurs approches d’apprentissage automatique pour déterminer laquelle pourrait le mieux prédire les résultats. Le modèle le plus performant utilisait une méthode statistique connue sous le nom d’arbres de régression additifs bayésiens, qui est devenue la base de BIOPREVENT.

Paczesny a dit MNT que « la cGVHD reste l’une des complications les plus débilitantes après une transplantation de cellules hématopoïétiques ».

« Notre étude montre qu'un modèle d'apprentissage automatique utilisant des biomarqueurs sanguins trois mois après la greffe peut prédire qui est à risque des mois avant l'apparition des symptômes, ouvrant ainsi la porte à une intervention plus précoce et potentiellement préventive », a-t-elle ajouté.

Les résultats de l'étude ont montré que la combinaison des données des biomarqueurs avec des informations cliniques améliorait considérablement la capacité de prédire la mortalité liée à la transplantation par rapport à l'utilisation des seules données cliniques.

Surtout, l’équipe a validé le modèle d’IA auprès d’un groupe indépendant de receveurs de greffe, confirmant que l’outil pouvait prédire de manière fiable le risque au-delà des patients utilisés pour le construire.

De plus, BIOPREVENT a réussi à classer les individus en groupes à risque faible et élevé, avec de nettes différences dans les résultats jusqu'à 18 mois après la greffe.

Les résultats suggèrent également que la GVHDc et les décès liés à la transplantation pourraient être provoqués par des processus biologiques en partie distincts.

Certains biomarqueurs étaient plus fortement associés au risque de décès après greffe, tandis que d’autres étaient de meilleurs prédicteurs de qui développerait plus tard une GVHDc.

Pour encourager une utilisation plus large, les chercheurs ont rendu BIOPREVENT disponible gratuitement sous forme d'application Web. Les cliniciens peuvent saisir les caractéristiques cliniques et les valeurs des biomarqueurs d'un patient pour recevoir des estimations de risque personnalisées au fil du temps.

« Une fois entré dans l'application, le modèle génère un score de risque individualisé. Cela permet une surveillance plus précise et une prise de décision clinique plus précoce, ce qui nous rapproche des soins personnalisés », a déclaré Paczesny. MNT.

Pour l'instant, les chercheurs notent que BIOPREVENT est conçu pour soutenir l'évaluation des risques et la recherche plutôt que pour guider directement les décisions de traitement.

La prochaine étape impliquera des essais cliniques pour déterminer si l’action sur les signaux de risque précoces, comme une surveillance accrue ou l’offre de traitements préventifs aux patients à haut risque, peut améliorer les résultats à long terme.

L'étude reflète une évolution plus large vers une médecine de précision dans les soins de transplantation, où les stratégies de suivi et de traitement sont adaptées au profil de risque individuel d'un patient. L’outil d’IA pourrait être en mesure de fournir aux cliniciens de meilleures informations plus tôt, afin qu’ils puissent prendre des décisions plus éclairées.

« La prédiction précoce fait passer le paradigme des soins réactifs aux soins préventifs », a expliqué Paczesny.

« Pour les patients, cela pourrait signifier une surveillance plus étroite et personnalisée s'ils présentent un risque élevé, une intervention thérapeutique plus précoce dès les premiers signes subtils et, à terme, une participation à des essais préventifs conçus spécifiquement pour les individus à haut risque », nous a expliqué le chercheur.

« Ma priorité est de collaborer entre institutions pour lancer un essai préventif dans lequel les patients à haut risque reçoivent l'un des agents non stéroïdiens actuellement approuvés avant que des dommages irréversibles ne surviennent », a-t-elle ajouté.

Bien qu'une validation plus approfondie soit nécessaire avant que BIOPREVENT ne fasse partie des soins de routine, cette approche pourrait représenter une étape prometteuse vers la réduction de l'une des complications les plus graves de la médecine de transplantation.