ESMO 2023 | Machine learning : prédire la survie sans progression du myélome multiple

Les données concernant 15 931 patients atteints de MM en France, en Espagne, au Royaume-Uni, en Allemagne et en Italie ont été extraites de Oncology Dynamics (OD), une vaste enquête transversale qui a recueilli, par l'intermédiaire d'un panel de cancérologues, les données de centaines de milliers de patients recevant des traitements pharmacologiques. Les analyses ont pris en compte les data de 2017-2022, soit 6 années de recueils de données. La survie sans progression (SSP) a été mesurée à l’issue du temps écoulé entre le début du traitement et la reprise de la progression de la maladie. Les données recueillies comprenaient le protocole thérapeutique, la ligne de traitement, le statut ECOG, l'éligibilité à une greffe de cellules souches (GCS), le stade Durie-Salmon*, le risque cytogénétique, l'âge et le sexe. Les modèles de survie basés sur machine learning (Gradient Boosted Survival Trees, Random Survival Forest) ont été appliqués pour prédire l’évolutivité. En outre, les valeurs de Shapley** (méthode d’intelligibilité) ont été calculées pour évaluer la prise de décision du modèle et identifier les principaux facteurs de risque. Les données ont été réparties entre les données « training » (80 %) et les données « test » (20 %). Le résultat du modèle était le score de risque dérivé du machine learning : un score de risque plus élevé était associé à une SSP plus courte. Les performances du modèle étaient bonnes (indice C de Harrell = 0,741). Une nième ligne de traitement et le fait de ne pas être éligible pour une greffe de cellules souches sont associés à un risque accru de progression de la maladie. Inversement, le fait d'être dans une 1re ligne thérapeutique, d'être asymptomatique selon l'ECOG et certains protocoles thérapeutiques (par ex. lénalidomide ou dexaméthasone/lénalidomide) sont associés à une SSP plus longue. Pour ces auteurs, il s'agit d'une première étape réussie dans l'exploitation des données du OD pour le développement d'un score pronostique pour les patients atteints de MM à l'aide d'algorithmes d'apprentissage automatique. Les modèles d'apprentissage automatique appliqués à la recherche peuvent contribuer à la gestion optimale de la maladie et à la planification des essais cliniques. Toutefois, étant donné l'hétérogénéité des politiques du médicament à travers l'Europe, une étude intégrant les différences spécifiques de chaque pays concernant les PFS s’avèrerait nécessaire.