Avec le développement rapide de la puissance de calcul au cours des dernières décennies, les techniques d’apprentissage automatique (ML) sont devenues populaires dans le milieu médical comme moyen de prédire les taux de survie et l’espérance de vie des patients diagnostiqués avec des maladies telles que le cancer, les maladies cardiaques, les accidents vasculaires cérébraux, et, plus récemment, le COVID-19. Une telle modélisation statistique aide les patients et les soignants à équilibrer le traitement qui offre les plus grandes chances de guérison tout en minimisant les conséquences des effets secondaires potentiels.
Un professeur et son doctorant de l’Université du Texas à Arlington ont publié un nouveau modèle de prédiction de la survie au cancer qui, selon eux, est 30 % plus efficace que les modèles précédents pour prédire qui sera guéri de la maladie. Ce modèle peut aider les patients à éviter les traitements dont ils n’ont pas besoin tout en permettant aux équipes de traitement de se concentrer plutôt sur d’autres personnes qui ont besoin d’interventions supplémentaires.
Des études antérieures modélisant la probabilité de guérison, également appelée taux de guérison, utilisaient un modèle linéaire généralisé avec une fonction de lien paramétrique connue telle que la fonction de lien logistique. Cependant, ce type de recherche ne prend pas en compte les relations non linéaires ou complexes entre la probabilité de guérison et des covariables importantes, telles que l’âge du patient ou l’âge d’un donneur de moelle osseuse. Notre recherche prend le modèle de guérison du temps de promotion (PCM) précédemment testé et le combine avec un type supervisé d’algorithme de ML appelé machine à vecteurs de support (SVM) qui est utilisé pour capturer les relations non linéaires entre les covariables et la probabilité de guérison.
Suvra Pal, chercheur principal, professeur agrégé de statistiques au Département de mathématiques
Soutenu par une subvention de l’Institut national des sciences médicales générales, le nouveau modèle PCM intégré au SVM (PCM-SVM) est développé de manière à s’appuyer sur une interprétation simple des covariables pour prédire quels patients ne seront pas guéris à la fin de leur traitement initial et nécessitent des interventions médicales supplémentaires.
Pour tester la technique, Pal et son étudiant Wisdom Aselisewine ont collecté des données réelles de survie de patients atteints de leucémie, un type de cancer du sang souvent traité par une greffe de moelle osseuse. Les chercheurs ont choisi la leucémie parce qu’elle est causée par la production rapide de globules blancs cancéreux anormaux. Puisque cela ne se produit pas chez les personnes en bonne santé, ils ont pu voir clairement quels patients dans l’ensemble de données historiques ont été guéris par les traitements et lesquels ne l’ont pas été.
Les deux modèles statistiques ont été testés et la nouvelle technique PCM-SVM s’est avérée 30 % plus efficace pour prédire qui serait guéri par les traitements par rapport à la technique précédente.
« Ces résultats démontrent clairement la supériorité du modèle proposé », a déclaré Pal. « Grâce à notre précision prédictive améliorée de guérison, les patients présentant des taux de guérison significativement élevés peuvent être protégés des risques supplémentaires liés aux traitements de haute intensité. De même, les patients présentant de faibles taux de guérison peuvent se voir recommander un traitement en temps opportun afin que la maladie ne progresse pas vers un stade avancé. stade pour lequel les options thérapeutiques sont limitées. Le modèle proposé jouera un rôle important dans la définition de la stratégie de traitement optimale.
