Le nouveau système d’IA vise à améliorer l’application concrète des résultats des essais cliniques

Le nouveau système d’IA vise à améliorer l’application concrète des résultats des essais cliniques

Une nouvelle étude menée par les chercheurs du Winship Cancer Institute de l'Université Emory et du Abramson Cancer Center de l'Université de Pennsylvanie montre qu'une plate-forme d'intelligence artificielle (IA) de classe mondiale pourrait aider les cliniciens et les patients à évaluer si et dans quelle mesure un patient individuel peut bénéficier d'une thérapie particulière testée dans un essai clinique. Cette plateforme d’IA peut aider à prendre des décisions thérapeutiques éclairées, à comprendre les bénéfices attendus des nouvelles thérapies et à planifier les soins futurs.

L'étude, publiée dansMédecine naturellea été créé par l'oncologue médical certifié Ravi B. Parikh, MD, MPP, directeur médical des applications de données et technologiques, ressources partagées au Winship Cancer Institute de l'Université Emory et professeur agrégé au Département d'hématologie et d'oncologie médicale de la faculté de médecine de l'Université Emory, qui développe et intègre des applications d'IA pour améliorer les soins aux patients atteints de cancer. QI Long, PhD, professeur de biostatistique et d'informatique et de sciences de l'information et directeur fondateur du Center for Cancer Data Science à l'Université de Pennsylvanie et directeur associé de la science des données quantitatives au Abramson Cancer Center de Penn Medicine, était CO. -Auteur principal. Le premier auteur de l'étude était Xavier Orcutt, MD, stagiaire au laboratoire de Parikh. Parmi les autres auteurs de l'étude figuraient Kan Chen, un étudiant de premier cycle du laboratoire de Long, et Ronac Mamtani, professeur agrégé de médecine à l'Université de Pennsylvanie.

Parikh et ses collègues ont développé TrialTranslator, un cadre d'apprentissage automatique pour « traduire » les résultats des essais cliniques en populations réelles. En reproduisant 11 essais cliniques sur le cancer à l’aide de données réelles, ils ont pu récapituler les résultats réels des essais cliniques, permettant à certains groupes de patients participant à un essai clinique de bien répondre aux traitements et à d’autres non.

"Nous espérons que cette plateforme d'IA fournira un cadre permettant aux médecins et aux patients de décider si les résultats d'un essai clinique peuvent s'appliquer à des patients individuels", déclare Parikh. "En outre, cette étude pourrait aider les chercheurs à identifier les sous-groupes dans lesquels les nouveaux traitements ne fonctionnent pas et à mener de nouveaux essais cliniques pour ces groupes à haut risque."

« Notre travail démontre l’énorme potentiel de l’utilisation de l’IA/ML pour exploiter la puissance de données riches mais complexes du monde réel afin de faire progresser au mieux la médecine de précision », ajoute Long.

Généralisabilité limitée des résultats expérimentaux

Parikh explique que les essais cliniques de nouveaux traitements potentiels sont limités, avec moins de 10 % de tous les patients atteints de cancer participant à un essai clinique. Cela signifie que les essais cliniques ne représentent souvent pas tous les patients atteints de ce cancer. Même si un essai clinique montre qu'une nouvelle stratégie de traitement donne de meilleurs résultats que les soins standards, "il existe de nombreux patients pour lesquels le nouveau traitement ne fonctionne pas", explique Parikh.

« Ce cadre et nos calculateurs open source permettent aux patients et aux médecins de décider si les résultats des essais cliniques de phase III sont applicables à des patients atteints de cancer individuels » provenant d'autres essais randomisés, y compris des essais ayant donné des résultats négatifs. "

Comment ils ont mené leur analyse

Parikh et ses collègues ont utilisé une base de données nationale de dossiers de santé électroniques (DSE) de Flatiron Health pour imiter 11 essais contrôlés randomisés (études qui attribuent les effets de différents traitements à des groupes en attribuant au hasard des participants). Quatre tumeurs malignes solides avancées les plus courantes aux États-Unis : le cancer du poumon non à petites cellules avancé, le cancer du sein métastatique, le cancer de la prostate métastatique et le cancer colorectal métastatique.

Ce qu'ils ont trouvé

Leur analyse a révélé que les patients présentaient des phénotypes à risque faible et intermédiaire, qui étaient des traits basés sur des traits utilisés pour évaluer les essais pronostiques sous-jacents d'un patient. En revanche, ceux présentant des phénotypes à haut risque ont montré des durées de survie et des bénéfices de survie associés au traitement significativement inférieurs à ceux des essais contrôlés randomisés.

Leurs résultats suggèrent que l’apprentissage automatique peut identifier des groupes de patients réels pour lesquels les résultats des essais contrôlés randomisés sont moins généralisables. Cela signifie que « les vrais patients sont susceptibles d’avoir des pronostics plus hétérogènes que les participants aux essais contrôlés randomisés ».

Pourquoi c'est important

L’équipe de recherche conclut que l’étude « suggère que le pronostic du patient, plutôt que les critères d’éligibilité, prédit mieux la survie et le bénéfice du traitement ». Ils recommandent que les études prospectives « envisagent des moyens plus sophistiqués d’évaluer le pronostic des patients à l’entrée plutôt que de s’appuyer uniquement sur des critères d’éligibilité stricts ».

En outre, ils citent les recommandations de l'American Society of Clinical Oncology et des Friends of Cancer Research selon lesquelles une représentation croissante des sous-groupes à haut risque dans les essais contrôlés randomisés devrait être entreprise, étant donné que les effets du traitement pour ces personnes peuvent différer de ceux des autres participants. "

Concernant le rôle de l'IA dans de telles études, Parikh déclare : Que les patients répondent ou non à certaines thérapies, nous diagnostiquons les cancers plus tôt ou conduisons à de meilleurs pronostics pour nos patients. "

Cette recherche a été financée par les subventions des National Institutes of Health : K08CA263541, P30CA016520 et U01CA274576.

Sources :