Progrese în tratamentul cancerelor 2023 – ASCO

Inteligența artificială marchează o nouă epocă în oncologie privind evoluțiile actuale și provocările viitoare. De la asocierea pacienților cu trialuri clinice până la anticiparea evenimentelor de îngrijire acută și răspunsul la tratamentele de imunoterapie, algoritmii de machine learning devin din ce în ce mai aplicați în domeniul oncologiei. Cercetările prezentate la Congresul Anual ASCO din 2023 oferă o perspectivă asupra evoluțiilor din acest câmp și a dificultăților viitoare. Articolul de față subliniază trei studii care demonstrează eficiența predictivă a algoritmilor de învățare automată în trei sfere diferite ale oncologiei. [1]

„Până acum, machine learning-ul a fost utilizat în principal pentru previziuni prognostice... pentru a determina care leziuni premaligne ar putea evolua în cancer... și pentru a anticipa care [tumori] ar putea fi mai agresive sau cu tendință mai mare de metastazare,” a afirmat Shiraj Sen, MD, PhD, de la NEXT Oncology și membru al Comitetului de Experți ASCO Daily News. „Acum, domeniul se orientează spre dezvoltarea de aplicații predictive mai avansate, în încercarea de a crea algoritmi care să ajute oncologii în alegerea celor mai potrivite studii clinice pentru pacienți și în predicția răspunsului la tratament. [2,3]

Potrivirea pacienților cu studiile clinice

Într-un studiu recent, inovația în domeniul inteligenței artificiale (AI) a fost aplicată pentru a facilita procesul de selecție a pacienților potențiali pentru studii clinice avansate în domeniul oncologiei. Modelul AI, dezvoltat de Dr. Kenneth L. Kehl și echipa sa de la Universitatea Harvard, reprezintă un pas mare în personalizarea tratamentului cancerului. Acest model inovator folosește informații detaliate din rapoartele de imagistică medicală - incluzând tomografii computerizate (CT), imagini prin rezonanță magnetică (RMN), scanări osoase, sau tomografii cu emisie de pozitroni (PET-CT) - pentru a anticipa nevoia unui pacient de a începe un tratament nou, bazându-se pe progresia bolii sale. [1]

Dr. Kehl subliniază că studiul a fost proiectat pentru a identifica pacienții care ar beneficia de terapii precise, adaptate caracteristicilor individuale ale fiecărui caz de cancer. Modelul AI a fost instruit să recunoască semnale ale unei boli în progres și să sugereze posibilele studii clinice pentru acești pacienți, bazându-se pe evoluția specifică a afecțiunii. [1]

Un rol cheie în acest studiu l-a jucat instrumentul MatchMiner, creat la Institutul Dana-Farber pentru Cancer. Acesta potrivește pacienții cu studii clinice bazându-se pe profilul genetic al tumorilor lor. Folosind MatchMiner, echipa a identificat peste 2.000 de pacienți ca potențiali candidați doar pe baza criteriilor genetice. [1]

Dr. Kehl explică în continuare că, combinând predicțiile modelului AI cu datele oferite de MatchMiner, au reușit să creeze o listă organizată de pacienți. Această listă, evaluată de un navigator specializat în oncologie, a permis identificarea pacienților cu probabilitatea cea mai mare de a avea nevoie de noi tratamente. Navigatorul de oncologie, un rol vital în acest proces, a fost responsabil pentru revizuirea dosarelor și stabilirea unei legături eficiente între medicii oncologi și pacienții potriviți pentru studiile clinice. [1]

Rezultatele acestui proces au fost semnificative: 74 de pacienți au fost recomandați medicilor lor oncologi, iar 5 dintre aceștia au fost înrolați în studii clinice. Utilizarea modelului AI a redus semnificativ atât efortul cât și timpul necesar pentru a identifica pacienții potriviți, eficientizând întregul proces de selecție.

Dr. Shiraj Sen, un expert renumit în oncologie, a evidențiat importanța acestui instrument AI, considerându-l un pas important în direcția utilizării eficiente a datelor genetice pentru selecția pacienților în studii clinice. El a remarcat că studiul demonstrează cum tehnologia poate ajuta la identificarea rapidă și precisă a celor mai potriviți candidați pentru tratamente inovative în oncologie. [1]

În concluzie, acest studiu deschide noi orizonturi în domeniul oncologiei. Demonstrează cum combinarea inteligenței artificiale cu analiza genetică poate îmbunătăți semnificativ procesul de tratament al cancerului. Acesta oferă speranță pentru pacienți, prezentând noi posibilități de tratament personalizat și mai eficient. Prin această inovație, pacienții cu cancer au acum acces la o gamă mai largă de opțiuni terapeutice, personalizate în funcție de caracteristicile specifice ale bolii lor, sporind astfel șansele de tratament reușit și îmbunătățind calitatea vieții lor. [1]

Prezicerea evenimentelor de îngrijire acută

Într-un studiu recent revoluționar, cercetătorii au explorat noi metode de utilizare a inteligenței artificiale (AI) pentru a îmbunătăți îngrijirea pacienților cu cancer. Ei au creat un algoritm de învățare automată care integrează atât măsurile rezultate din raportările pacienților (PROMs), cât și datele din registrele electronice de sănătate (EHRs). Scopul acestui algoritm este de a identifica pacienții care ar putea fi în pericol de a avea nevoie de îngrijiri medicale urgente, cum ar fi vizitele neplanificate la departamentul de urgență sau spitalizările. [2,3]

Dr. Thomas J. Roberts de la Harvard Medical School explică că echipa sa a dorit să valorifice cantitatea mare de informații disponibile în EHR-uri pentru a identifica pacienții cu risc ridicat de evenimente medicale acute pe termen scurt. Studiul a inclus un număr mare de pacienți - 4.193 de persoane cu tumori solide, care au primit tratamente sistematice cu intenție curativă sau paliativă între septembrie 2020 și iunie 2022. Acești pacienți au completat chestionare PROM în timpul vizitelor lor medicale ambulatorii, oferind astfel informații valoroase despre experiențele și simptomele lor. [2,3]

Datele EHR folosite în studiu au fost diverse și cuprinzătoare, incluzând 176 de variabile diferite, de la diagnostice și rezultate de laborator, la medicamente, semne vitale, istoricul vizitelor medicale anterioare și informații demografice. Această abordare multidimensională a permis o analiză detaliată și precisă a stării de sănătate a fiecărui pacient. [2,3]

Pentru a testa eficacitatea algoritmului, cercetătorii au antrenat patru modele diferite: unul care combina datele EHR cu PROMs, unul bazat doar pe datele EHR, unul bazat exclusiv pe PROMs și un al patrulea model, numit PROM plus, care includea informații PROM și date EHR limitate, cum ar fi vârsta, sexul și tipul cancerului. Scopul era de a evalua dacă includerea informațiilor PROM îmbunătățește capacitatea de a prezice nevoia de îngrijire medicală urgentă. [2,3]

Rezultatele au fost măsurate folosind curbe ROC-AUC, care evaluează cât de bine un model poate distinge între pacienți cu risc ridicat și cei cu risc scăzut pentru evenimente de îngrijire acută. Modelul care combina EHR cu PROMs a obținut cel mai bun scor (0,84), urmat de modelul bazat doar pe date EHR (0,82), modelul PROM plus (0,79) și modelul bazat doar pe PROMs (0,67). Interesant este că modelul PROM plus a avut o performanță aproape la fel de bună ca modelele mai complexe care includeau toate datele EHR. [2,3]

Dr. Roberts subliniază că aceste descoperiri demonstrează potențialul modelelor de AI în anticiparea nevoilor urgente de îngrijire medicală ale pacienților cu cancer. Acest lucru este important, deoarece permite medicilor să intervină mai devreme și să prevină situații de urgență, îmbunătățind astfel calitatea îngrijirii și rezultatele pentru pacienți. De asemenea, studiul a evidențiat că adăugarea informațiilor PROMs poate spori eficiența acestor modele predictive.

Un aspect crucial de explorat în viitor este dacă modelul simplificat PROM plus este suficient de eficient pentru a fi utilizat în practica clinică. Datorită simplității sale, acest model ar putea fi mai ușor de implementat în spitale și clinici, oferind o soluție practică pentru monitorizarea stării de sănătate a pacienților și anticiparea nevoilor lor medicale urgente. [2,3]

În concluzie, acest studiu marchează un progres semnificativ în utilizarea tehnologiilor AI în domeniul oncologiei. El deschide noi perspective în monitorizarea și îngrijirea pacienților cu cancer, oferind speranță pentru o gestionare mai eficientă și mai proactivă a nevoilor lor medicale.

Prezicerea răspunsului la inhibitorii punctelor de control imune în stadiul IV NSCLC

Într-un studiu ultim inovator recent, o echipă de cercetători a explorat o nouă abordare utilizând tehnologia inteligenței artificiale (AI) pentru a îmbunătăți modul în care medicii pot prezice răspunsul pacienților cu cancer pulmonar non-microcelular (NSCLC) în stadiul IV la tratamentele moderne cu inhibitori ai punctelor de control imun (ICI). Această formă de tratament, cunoscută și sub denumirea de imunoterapie, ajută sistemul imunitar al pacientului să lupte mai eficient împotriva celulelor canceroase.[4]

Dr. George R. Simon de la Moffitt Cancer Center a explicat că metodele existente, care folosesc testarea PD-L1 prin imunohistochimie (IHC), nu sunt suficient de precise pentru a determina care pacienți vor beneficia de imunoterapie. Unele persoane cu niveluri ridicate de PD-L1 nu reacționează la tratament, în timp ce alții cu niveluri scăzute pot avea un răspuns bun. Acest lucru a determinat echipa să caute o metodă mai eficientă pentru a identifica pacienții care ar putea beneficia cel mai mult de acest tip de tratament.

Modelul propus de cercetători combină informații demografice ale pacienților, scoruri ale proporției tumorale PD-L1, și date radiomice, care sunt analize detaliate ale imaginilor radiologice, de la 791 de pacienți cu NSCLC în stadiul IV. Acești pacienți, care aveau un total de 6.295 de leziuni primare și metastatice, au fost tratați cu ICIs PD-L1 în nouă instituții diferite din Statele Unite și Europa. [4]

Modelul AI a fost comparat cu metoda standard de testare PD-L1 IHC pentru a vedea cât de eficient este în predicția răspunsului la imunoterapie. Un total de 791 de pacienți au fost împărțiți într-un grup de antrenament pentru modelul AI (541 de pacienți) și un grup de validare (250 de pacienți) pentru a testa precizia modelului. [4]

Rezultatele au fost încurajatoare: modelul AI a avut o rată de succes mai mare (0,83) în comparație cu testul PD-L1 IHC (0.64) în predicția răspunsului la tratamentul cu ICIs. Aceasta indică faptul că modelul AI poate identifica mai corect pacienții care ar beneficia de imunoterapie.

În cazul pacienților tratați cu o combinație de imunoterapie și chimioterapie, modelul AI a fost, de asemenea, mai bun, dar diferența dintre acesta și testul PD-L1 IHC nu a fost statistic semnificativă. Când pacienții au fost clasificați în funcție de nivelul lor de PD-L1 (ridicat, scăzut, sau absent), modelul a putut identifica cu succes pacienții care răspund la tratamentul cu ICI. [4]

Dr. Simon a subliniat că modelul AI are avantajul de a folosi date care sunt deja disponibile în dosarele medicale ale pacienților, fără a necesita teste suplimentare. Acest lucru face ca modelul să fie ușor de implementat și de folosit în practica clinică obișnuită.

Dr. Sen, un alt expert în domeniu, a evidențiat interesul special al acestui studiu pentru modul în care radiomica poate fi folosită pentru a prezice răspunsul la imunoterapie. El a subliniat că studiul demonstrează potențialul de a folosi scorul PD-L1 împreună cu caracteristicile radiomice pentru a identifica cei mai potriviți pacienți pentru tratamentul cu ICIs.

Totuși, Dr. Sen a remarcat că sunt necesare mai multe cercetări pentru a înțelege de ce modelul este eficient doar pentru anumite subgrupe de pacienți cu NSCLC și dacă aceste modele vor fi validate în viitor. El a menționat că datele sunt promițătoare și oferă perspective valoroase pentru viitorul tratamentului pacienților cu cancer, sugerând că pe măsură ce se acumulează mai multe cunoștințe și date, înțelegerea și aplicabilitatea modelelor radiomice vor continua să crească. [4]

În concluzie, acest studiu reprezintă un pas important în utilizarea tehnologiilor AI pentru a îmbunătăți tratamentul pacienților cu cancer pulmonar, oferind speranță pentru o abordare mai personalizată și eficientă în lupta împotriva acestei boli. [4]

Concluzii

Analiza acestor trei studii inovatoare demonstrează progresele semnificative realizate în domeniul oncologiei prin utilizarea tehnologiei inteligenței artificiale (AI) și a radiomicii. Fiecare studiu a abordat provocări diferite în tratamentul cancerului, oferind soluții potențiale pentru a îmbunătăți îngrijirea pacienților și pentru a personaliza tratamentul în funcție de caracteristicile individuale ale fiecărui caz.

Primul studiu a ilustrat modul în care un algoritm AI poate ajuta în identificarea pacienților eligibili pentru studii clinice în oncologie, folosind date complexe din registrele electronice de sănătate și rapoartele pacienților. Această abordare are potențialul de a eficientiza procesul de selecție a pacienților pentru studii clinice și de a accelera dezvoltarea de noi tratamente.

Al doilea studiu a arătat cum un model AI poate folosi măsurile raportate de pacienți (PROMs) și datele din EHR-uri pentru a prezice evenimentele de îngrijire acută la pacienții cu cancer. Acest progres poate duce la intervenții mai rapide și mai precise, reducând astfel riscul de complicații și îmbunătățind calitatea vieții pacienților.

În al treilea studiu, s-a demonstrat eficacitatea unui model AI bazat pe radiomică în predicția răspunsului la inhibitorii punctelor de control imun în cazul pacienților cu cancer pulmonar non-microcelular în stadiul IV. Această abordare ar putea permite medicilor să identifice mai precis pacienții care vor beneficia de imunoterapie, optimizând astfel tratamentul și reducând efectele secundare inutile.

În concluzie, aceste studii subliniază rolul crucial al AI și radiomicii în avansarea medicinii personalizate și în îmbunătățirea îngrijirii pacienților cu cancer. Aceste tehnologii oferă noi perspective în înțelegerea și tratamentul cancerului, cu posibilitatea de a adapta terapiile la nevoile specifice ale fiecărui pacient, deschizând drumul către o eră nouă în tratamentul cancerului. Cu toate acestea, este esențială continuarea cercetării pentru a valida aceste modele și pentru a asigura aplicabilitatea și eficacitatea lor pe termen lung în practica clinică.