Une nouvelle étude menée par les chercheurs du Winship Cancer Institute de l'Université Emory et du Abramson Cancer Center de l'Université de Pennsylvanie démontre qu'une plateforme unique en son genre utilisant l'intelligence artificielle (IA) pourrait aider les cliniciens et les patients à évaluer si et dans quelle mesure un patient individuel peuvent bénéficier d’une thérapie particulière testée dans le cadre d’un essai clinique. Cette plateforme d’IA peut aider à prendre des décisions éclairées en matière de traitement, à comprendre les avantages attendus des nouvelles thérapies et à planifier les soins futurs.
L'étude, publiée dans Médecine naturelleétait dirigé par l'oncologue médical certifié Ravi B. Parikh, MD, MPP, directeur médical de la ressource partagée des applications de données et de technologie au Winship Cancer Institute de l'Université Emory et professeur agrégé au Département d'hématologie et d'oncologie médicale de l'Emory University School. of Medicine, qui développe et intègre des applications d’IA pour améliorer la prise en charge des patients atteints de cancer. Qi Long, PhD, professeur de biostatistique et d'informatique et de sciences de l'information, directeur fondateur du Center for Cancer Data Science de l'Université de Pennsylvanie et directeur associé de la science des données quantitatives de l'Abramson Cancer Center de Penn Medicine, a été co -auteur principal. Le premier auteur de l'étude était Xavier Orcutt, MD, stagiaire dans le laboratoire de Parikh. Parmi les autres auteurs de l'étude figuraient Kan Chen, un doctorant en formation dans le laboratoire de Long, et Ronac Mamtani, professeur agrégé de médecine à l'Université de Pennsylvanie.
Parikh et ses collègues chercheurs ont développé TrialTranslator, un cadre d'apprentissage automatique pour « traduire » les résultats des essais cliniques vers des populations du monde réel. En émulant 11 essais cliniques marquants sur le cancer à l'aide de données réelles, ils ont pu récapituler les résultats réels des essais cliniques, leur permettant ainsi d'identifier quels groupes distincts de patients peuvent bien répondre aux traitements d'un essai clinique, et ceux qui ne le peuvent pas.
« Nous espérons que cette plateforme d'IA fournira un cadre pour aider les médecins et les patients à décider si les résultats d'un essai clinique peuvent s'appliquer à des patients individuels », a déclaré Parikh. « En outre, cette étude pourrait aider les chercheurs à identifier les sous-groupes dans lesquels les nouveaux traitements ne fonctionnent pas, stimulant ainsi de nouveaux essais cliniques pour ces groupes à haut risque. »
« Notre travail démontre l'énorme potentiel de l'exploitation de l'IA/ML pour exploiter la puissance de données riches mais complexes du monde réel afin de faire progresser au mieux la médecine de précision », ajoute Long.
Sommaire
Généralisabilité limitée des résultats des essais
Parikh explique que les essais cliniques de nouveaux traitements potentiels sont limités car moins de 10 % de tous les patients atteints de cancer participent à un essai clinique. Cela signifie que les essais cliniques ne représentent souvent pas tous les patients atteints de ce cancer. Même si un essai clinique montre qu'une nouvelle stratégie de traitement donne de meilleurs résultats que les soins standards, « il existe de nombreux patients chez lesquels le nouveau traitement ne fonctionne pas », explique Parikh.
« Ce cadre et nos calculateurs open source permettront aux patients et aux médecins de décider si les résultats des essais cliniques de phase III sont applicables à des patients individuels atteints de cancer », dit-il, ajoutant que « cette étude offre une plateforme pour analyser la généralisabilité dans le monde réel ». d'autres essais randomisés, y compris les essais ayant donné des résultats négatifs.
Comment ils ont fait leur analyse
Parikh et ses collègues ont utilisé une base de données nationale de dossiers de santé électroniques (DSE) de Flatiron Health pour imiter 11 essais contrôlés randomisés (études qui comparent les effets de différents traitements en attribuant au hasard les participants à des groupes) qui ont étudié les régimes anticancéreux considérés comme la norme de soins pour le quatre tumeurs malignes solides avancées les plus répandues aux États-Unis : le cancer du poumon non à petites cellules avancé, le cancer du sein métastatique, le cancer de la prostate métastatique et le cancer colorectal métastatique.
Ce qu'ils ont trouvé
Leur analyse a révélé que les patients présentant des phénotypes à risque faible et moyen, qui sont des caractéristiques basées sur l'apprentissage automatique utilisées pour évaluer le pronostic sous-jacent d'un patient, avaient des durées de survie et des bénéfices de survie associés au traitement similaires à ceux observés dans l'étude contrôlée randomisée. des essais. En revanche, ceux présentant des phénotypes à haut risque ont montré des durées de survie et des bénéfices de survie associés au traitement significativement inférieurs à ceux des essais contrôlés randomisés.
Leurs résultats suggèrent que l’apprentissage automatique peut identifier des groupes de patients du monde réel chez lesquels les résultats des essais contrôlés randomisés sont moins généralisables. Cela signifie, ajoutent-ils, que « les patients du monde réel ont probablement des pronostics plus hétérogènes que les participants aux essais contrôlés randomisés ».
Pourquoi c'est important
L'équipe de recherche conclut que l'étude « suggère que le pronostic du patient, plutôt que les critères d'éligibilité, prédit mieux la survie et le bénéfice du traitement ». Ils recommandent que les essais prospectifs « devraient envisager des moyens plus sophistiqués d'évaluer le pronostic des patients dès leur entrée, plutôt que de s'appuyer uniquement sur des critères d'éligibilité stricts ».
De plus, ils citent les recommandations de l'American Society of Clinical Oncology et des Friends of Cancer Research selon lesquelles des efforts devraient être faits pour améliorer la représentation des sous-groupes à haut risque dans les essais contrôlés randomisés « étant donné que les effets du traitement pour ces personnes peuvent différer de ceux des autres participants. «
Quant au rôle de l'IA dans des études comme celle-ci, Parikh déclare : « Bientôt, avec une surveillance et des preuves appropriées, il y aura une marée croissante de biomarqueurs basés sur l'IA qui peuvent analyser les informations de pathologie, de radiologie ou de dossier de santé électronique pour aider à prédire. si les patients répondront ou non à certaines thérapies, diagnostiqueront les cancers plus tôt ou entraîneront de meilleurs pronostics pour nos patients.
Cette recherche a été financée par des subventions du National Institute of Health : K08CA263541, P30CA016520 et U01CA274576.
