Les médecins du monde entier pourraient bientôt avoir accès à un nouvel outil qui pourrait mieux prédire si les patients atteints de cancer bénéficieront d'inhibiteurs de points de contrôle immunitaires – un type d'immunothérapie – en utilisant uniquement des tests sanguins de routine et des données cliniques.
Le modèle basé sur l'intelligence artificielle, baptisé SCORPIO, a été développé par une équipe de chercheurs du Memorial Sloan Kettering Cancer Center (MSK) et du Tisch Cancer Institute du Mont Sinaï.
Le modèle est non seulement moins cher et plus accessible, mais il prédit nettement mieux les résultats que les deux biomarqueurs actuels approuvés par la Food and Drug Administration (FDA) des États-Unis, selon les résultats publiés le 6 janvier dans Médecine naturelle.
Les inhibiteurs de points de contrôle immunitaires sont un outil très puissant contre le cancer, mais ils ne fonctionnent pas encore pour la plupart des patients. Ces médicaments sont chers et peuvent entraîner de graves effets secondaires. »
Luc Morris, MD, co-auteur principal de l'étude, chirurgien et directeur du laboratoire de recherche chez MSK
La clé réside donc dans la sélection des patients – en faisant correspondre les médicaments avec les patients les plus susceptibles d’en bénéficier, explique le Dr Morris.
« Il existe certains outils permettant de prédire si les tumeurs répondront à ces médicaments, mais ils ont tendance à s'appuyer sur des tests génomiques avancés qui ne sont pas largement disponibles dans le monde », ajoute-t-il. « Nous voulions développer un modèle qui puisse aider à orienter les décisions de traitement en utilisant des données largement disponibles, telles que des analyses de sang de routine. »
Sommaire
Collaborer pour que le traitement par inhibiteur de point de contrôle soit efficace pour davantage de patients atteints de cancer
Les inhibiteurs de points de contrôle ciblent le système immunitaire plutôt que le cancer lui-même. Ces médicaments agissent en freinant les cellules immunitaires, leur permettant ainsi de mieux combattre le cancer. Les cliniciens et scientifiques MSK ont joué un rôle clé en proposant cette nouvelle classe de médicaments aux patients.
La nouvelle étude a été supervisée conjointement par le Dr Morris et Diego Chowell, PhD, professeur adjoint d'immunologie et d'immunothérapie, de sciences oncologiques, d'intelligence artificielle et de santé humaine à l'École de médecine Icahn de Mount Sinai, et ancien boursier postdoctoral à MSK. .
Questions et réponses avec le Dr Morris
Nous avons discuté avec le Dr Morris du modèle de prédiction de l'équipe et des prochaines étapes de la recherche :
Pourquoi avez-vous développé ce nouveau modèle pour prédire la réponse des inhibiteurs de points de contrôle ?
Il était clair qu’il y avait place à amélioration.
Il existe actuellement deux biomarqueurs approuvés par la FDA pour prédire la réponse aux inhibiteurs de points de contrôle : la charge mutationnelle tumorale (le nombre de mutations dans une tumeur) et l'immunohistochimie PD-L1 (évaluant l'expression de la protéine programmée du ligand mortel 1 dans des échantillons de tumeur).
Les deux nécessitent le prélèvement d’échantillons de la tumeur. Pendant ce temps, les tests génomiques pour évaluer les mutations sont coûteux et ne sont pas disponibles partout, et il existe une grande variabilité dans l’évaluation de l’expression de PD-L1.
Au lieu de cela, notre modèle s'appuie sur des données cliniques facilement disponibles, notamment des tests sanguins de routine effectués dans des cliniques du monde entier – la formule sanguine complète et le profil métabolique complet. Et nous avons constaté que notre modèle surpasse les tests actuellement utilisés en clinique.
La simplicité et le caractère abordable de cette nouvelle approche pourraient contribuer à garantir un accès plus équitable aux soins tout en réduisant les coûts et en garantissant que les patients reçoivent les traitements les plus susceptibles de leur bénéficier individuellement – qu'il s'agisse d'un inhibiteur de point de contrôle ou d'un autre type de thérapie.
Comment le modèle a-t-il été développé ?
SCORPIO a été initialement développé par notre équipe, en collectant des données auprès de patients MSK, en raison de la longueur et de la profondeur de l'expérience des oncologues ici dans le traitement des patients avec ces médicaments. En collaboration avec l'équipe du Mont Sinaï, nous avons utilisé un type d'intelligence artificielle appelé « apprentissage automatique d'ensemble », qui combine plusieurs outils pour rechercher des tendances dans les données cliniques à partir des tests sanguins et des résultats des traitements. Le modèle a été développé à l'aide d'une riche ressource de données rétrospectives provenant de plus de 2 000 patients MSK traités avec des inhibiteurs de points de contrôle, représentant 17 types de cancer différents. Le modèle a ensuite été testé à l’aide des données de 2 100 patients MSK supplémentaires pour vérifier qu’il était capable de prédire les résultats avec une grande précision.
Ensuite, nous avons appliqué le modèle à près de 4 500 patients traités avec des inhibiteurs de points de contrôle dans 10 essais cliniques de phase 3 différents menés dans le monde entier.
Une validation plus poussée a été effectuée avec des données supplémentaires provenant de près de 1 200 patients traités au Mont Sinaï.
Au total, l’étude inclut près de 10 000 patients répartis dans 21 types de cancer différents, ce qui représente le plus grand ensemble de données sur l’immunothérapie du cancer à ce jour.
Nous avons effectué ces tests et validations approfondis parce que notre objectif n’était pas seulement de développer un modèle prédictif, mais d’en développer un qui serait largement applicable aux patients et aux médecins de différents endroits.
Quelles sont les prochaines étapes ?
Nous prévoyons de collaborer avec des hôpitaux et des centres de cancérologie du monde entier pour tester le modèle avec des données supplémentaires provenant d'une plus grande variété de contextes cliniques. Les commentaires que nous recevons nous aideront à continuer à optimiser le modèle.
De plus, des travaux sont en cours pour développer une interface facilement accessible aux cliniciens, quel que soit l'endroit où ils se trouvent.
Auteurs supplémentaires, financement et divulgations
L'étude représente le travail de 37 auteurs. La recherche a été dirigée par les co-premiers auteurs Seong-Keun Yoo, PhD, et Byuri Angela Cho, PhD, chercheurs au Chowell Lab ; Conall Fitzgerald, MD, chercheur au Morris Lab et maintenant chirurgien consultant de la tête et du cou à l'hôpital St James et au Trinity College de Dublin, en Irlande ; et Bailey G. Fitzgerald, MD, chercheur en oncologie médicale au Mount Sinai. Veuillez vous référer à l'étude pour la liste complète.
Cette recherche a été financée en partie par les National Institutes of Health (R01 DE027738, R01 CA283469, U01CA282114, P30 CA008748, P30 CA196521), le ministère de la Défense, le Geoffrey Beene Cancer Research Center de MSK, Cycle for Survival, Jayme et Peter. Fonds Fleurs, Fonds Sebastian Nativo et Alexander et Alexandrine Sinsheimer Fondation. Veuillez vous référer à l'étude pour une liste complète des bailleurs de fonds.
Plusieurs auteurs ont déposé une demande de brevet provisoire pour utiliser des tests sanguins de routine et des variables cliniques pour prédire la réponse de l'immunothérapie anticancéreuse. Plusieurs sont également co-inventeurs d'un brevet de MSK pour l'utilisation de la charge mutationnelle tumorale pour prédire la réponse à l'immunothérapie, sous licence de Personal Genome Diagnostics. Un autre groupe est co-inventeur d'un brevet déposé conjointement par Cleveland Clinic et MSK pour un modèle d'apprentissage automatique multimodal permettant de prédire la réponse à l'immunothérapie, sous licence Tempus. Un certain nombre d’auteurs font également état de travaux de conseil auprès de sociétés pharmaceutiques, sans rapport avec la recherche actuelle.
