Не всички пациенти реагират на лечение с чек-пойнт инхибитори

Модел, основан на машинно обучение, използващ клинични и съобщени от пациентите данни с различни видове рак, може да бъде точен инструмент за прогнозирането на
степента на обективен отговор (ORR) след лечение с чек-пойнт инхибитори (ICI), според констатациите, представени на Имуноонкологичния виртуален  конгрес 2020.

Във едно финландко проучване (NCT3928938) се изследва дали моделът на  машинно обучение, който съчетава клинични данни и данни, докладвани от пациентите, може да се използва за прогнозирането на реакцията на пациента след лечение с чек-пойнт инхибитори.

Изследователите са конструирали модел за прогнозиране, базиран на машинно обучение, за степента на обективен отговор (ORR), използвайки данни на 31 пациенти, получаващи чек-пойнт инхибитори за различни  напреднали видове рак. От проспективно събраните източници на данни, използвани като входни за модела, 63 са били клинично оценени терапевтични отговори, а други
са включвали докладвани имунни нежелани събития съгласно Общите терминологични критерии за нежелани събития (CTCAE) и лабораторни измервания, състоящи се от 9 стойности.

Съобщените от пациентите данни за симптомите, включително 18 наблюдавани симптома, са събрани с помощта на цифровата платформа Kaiku Health. Моделът включва и времето
от започване на лечението, както и възрастта и пола на пациентите. Лабораторните стойности и съобщените от пациентите симптоми са изразени като промени спрямо
изходното ниво и са свързани с отговорите на лечението.

Моделът за прогнозиране за ORR е бил изграден с помощта на техника за усилване на градиента (XGBoost). Ефективността на прогнозирането за невидими проби е била оценена с  помощта на еднократна кръстосана проверка (LOOCV), при която са били обучени и тествани 63 модела, като всеки път итеративно се е оставяла една проба като набор от тестове.

Представянето на LOOCV за оценка е оценено с мерки за точност, включително площта под кривата (AUC), F1 резултат и коефициент на корелация на Матю (MCC).

Заключение

Според авторите, това проучване демонстрира, че е възможно да се предскаже ORR за пациенти, подложени на чек-пойнт инхибитори с модел на машинно обучение, съчетаващ клинични,
рутинни лабораторни данни и данни, докладвани от пациенти, дори с кохорта с ограничен размер.

Те са стигнали до заключението, че тези обещаващи резултати показват, че подходите, базирани на машинно обучение при прогнозиране на отговора на лечението, налагат  допълнително разследване и валидиране с по-голям набор от данни.

Източник на информация:

1.https://www.esmo.org/oncology-news/machine-learning-based-model-shows-promise-for-indicating-response-to-immune-checkpoint-inhibition?hit=mail-snews&utm_campaign=Scientific&utm_medium=email&_hsmi=105643915&_hsenc=p2ANqtz-8I43LcY4-kjsRh-xHUkIUcmUOgR891BfHufqZ7XNytCAMM52dFNVosYa1_61rDXLtgPvG7AjXKQtlWoRj6NLDzrc1LiA&utm_content=105643915&utm_source=hs_email

   Send article as PDF