Un nouvel outil basé sur l'intelligence artificielle (IA) semble prometteur pour améliorer la surveillance des patients traités par des thérapies d'éradication endoscopiques pour la dysplasie liée à l'œsophage de Barrett (BE) et l'adénocarcinome de l'œsophage précoce. L'EB est la seule affection connue qui précède l'adénocarcinome de l'œsophage, un cancer agressif avec des taux de mortalité élevés.
Développé et validé par des chercheurs américains, le modèle d'IA était précis à plus de 90 % pour prédire quels patients connaîtraient une récidive de l'EB après un traitement d'éradication endoscopique (EET) et détecter le moment où cela est susceptible de se produire.
Les résultats ont été publiés aujourd'hui dans Clinical Gastroenterology and Hepatology.
La détection précoce de la dysplasie liée à l'œsophage de Barrett et de l'adénocarcinome de l'œsophage associé peut sauver des vies. L'identification plus précoce des récidives sous forme de BE, de dysplasie liée au BE et d'adénocarcinome de l'œsophage lié au BE, en particulier chez les patients à haut risque qui ont subi une thérapie d'éradication endoscopique, crée des opportunités de traitement rapide avant que le cancer ne se développe ou ne progresse.
Sachin Wani, MD, auteur principal de l'étude, directeur exécutif du Rady Oesophageal and Gastric Center of Excellence de l'Université du Colorado Anschutz Cancer Center
L'EET est un traitement efficace contre la dysplasie liée à l'EB et l'adénocarcinome précoce de l'œsophage qui élimine le tissu de Barrett anormal et réduit considérablement le risque de progression vers un cancer de l'œsophage.
« Le défi est que la récidive de l'œsophage de Barrett peut encore survenir même après un traitement d'éradication endoscopique et que les stratégies de surveillance actuelles ne font pas de distinction entre les patients à haut risque et ceux à faible risque. Tout le monde est suivi selon le même calendrier, quel que soit son risque », a déclaré Wani.
En utilisant l’intelligence artificielle et les données de plus de 2 500 patients, Wani et une équipe d’experts de premier plan de tout le pays ont développé cet outil d’apprentissage automatique. Pour le créer, ils ont analysé les données cliniques détaillées de patients traités avec EET et suivis au fil du temps pour déterminer si et quand la dysplasie ou le cancer lié au BE et au BE est réapparu. Cette analyse a révélé que près de 3 patients sur 10 ont connu une récidive après un traitement réussi, la maladie réapparaissant en moyenne environ deux ans après le traitement.
L’outil d’IA a ensuite été formé pour examiner simultanément de nombreux facteurs liés au patient, tels que l’âge, le poids, la gravité de la maladie et les détails du traitement. Il a appris des modèles que les humains ne peuvent pas facilement voir, notamment la façon dont les combinaisons de facteurs affectent le risque. Ils ont constaté que la récidive était plus probable chez les patients présentant :
- Une zone plus longue du tissu de Barrett
- Un poids corporel plus élevé
- Âge plus avancé
- Il a fallu davantage de séances de traitement pour éliminer complètement les tissus anormaux
- Modifications cellulaires plus avancées au moment du diagnostic
Le modèle a été testé de deux manières : en vérifiant son efficacité sur des patients similaires à ceux sur lesquels il a été formé et en vérifiant ses performances sur différents groupes de patients provenant d'autres sources. L’outil était précis pour les deux groupes de patients.
Cet outil pourrait aider les médecins à personnaliser les soins de suivi après le traitement, au lieu d'utiliser le même calendrier pour chaque patient. Les personnes présentant un risque plus élevé de réapparition de la maladie pourraient être surveillées plus étroitement, tandis que celles présentant un risque plus faible pourraient avoir besoin de moins de procédures de suivi. Cette approche pourrait réduire les tests inutiles, réduire le stress des patients et mieux utiliser les ressources de santé.
« Ce travail représente plusieurs années d'efforts et de partenariat entre plusieurs institutions. Cela n'aurait pas été possible sans la collaboration de nos collègues qui ont partagé leurs données et leur expertise », a déclaré Wani.
Les collaborateurs comprennent des experts de l'Université Johns Hopkins, de la Mayo Clinic, de l'UZ Leuven, de l'Université de Caroline du Nord à Chapel Hill, de la Washington University School of Medicine, de la Cleveland Clinic London, de la Northwestern Feinberg School of Medicine, de l'University College London, de l'Université de Californie à Los Angeles, de l'Université du Kansas et de la Hirlanden Clinic Zurich.
La prochaine étape consiste à valider davantage le modèle à l’aide d’ensembles de données internationaux grâce à des collaborations aux Pays-Bas, au Royaume-Uni, en Belgique et en Suisse. L’objectif est de valider l’outil afin qu’il puisse être appliqué à grande échelle et utilisé comme une aide fiable et universelle dans les soins cliniques.
