Novo sistema de IA visa melhorar a aplicação no mundo real dos resultados de ensaios clínicos

Novo sistema de IA visa melhorar a aplicação no mundo real dos resultados de ensaios clínicos

Um novo estudo liderado por pesquisadores do Winship Cancer Institute da Emory University e da University of Pennsylvania Abramson Cancer Center mostra que uma plataforma de inteligência artificial (IA) de classe mundial poderia ajudar médicos e pacientes a avaliar se e quanto um paciente individual pode se beneficiar de uma terapia específica sendo testada em um ensaio clínico. Esta plataforma de IA pode ajudar a tomar decisões de tratamento informadas, compreender os benefícios esperados de novas terapias e planejar cuidados futuros.

O estudo, publicado emMedicina naturalfoi criado pelo oncologista médico certificado Ravi B. Parikh, MD, MPP, diretor médico de aplicações de dados e tecnologia, recursos compartilhados no Winship Cancer Institute da Emory University e professor associado do Departamento de Hematologia e Oncologia Médica da Emory University School of Medicine, que desenvolve e integra aplicações de IA para melhorar o atendimento a pacientes com câncer. QI Long, PhD, professor de bioestatística e ciência da computação e da informação e diretor fundador do Center for Cancer Data Science da Universidade da Pensilvânia e diretor associado de ciência de dados quantitativos do Abramson Cancer Center da Penn Medicine, foi CO. O primeiro autor do estudo foi Xavier Orcutt, MD, estagiário no laboratório de Parikh. Outros autores do estudo incluíram Kan Chen, um estudante de graduação no laboratório de Long, e Ronac Mamtani, professor associado de medicina na Universidade da Pensilvânia.

Parikh e seus colegas desenvolveram o TrialTranslator, uma estrutura de aprendizado de máquina para “traduzir” resultados de ensaios clínicos em populações reais. Ao replicar 11 ensaios clínicos sobre cancro utilizando dados reais, foram capazes de recapitular os resultados reais dos ensaios clínicos, permitindo que certos grupos de pacientes num ensaio clínico respondessem bem aos tratamentos e aqueles que não o fizessem.

“Esperamos que esta plataforma de IA forneça uma estrutura para médicos e pacientes decidirem se os resultados de um ensaio clínico podem ser aplicados a pacientes individuais”, diz Parikh. “Além disso, este estudo pode ajudar os pesquisadores a identificar subgrupos onde novos tratamentos não funcionam e a conduzir novos ensaios clínicos para esses grupos de alto risco.”

“Nosso trabalho demonstra o enorme potencial do uso de IA/ML para aproveitar o poder de dados ricos, mas complexos, do mundo real para promover o melhor da medicina de precisão”, acrescenta Long.

Generalização limitada de resultados experimentais

Parikh explica que os ensaios clínicos de potenciais novos tratamentos são limitados, com menos de 10% de todos os pacientes com cancro a participar num ensaio clínico. Isto significa que os ensaios clínicos muitas vezes não representam todos os pacientes com este tipo de cancro. Mesmo que um ensaio clínico mostre que uma nova estratégia de tratamento tem melhores resultados do que o tratamento padrão, “há muitos pacientes para os quais o novo tratamento não funciona”, diz Parikh.

“Essa estrutura e nossas calculadoras de código aberto permitem que pacientes e médicos decidam se os resultados dos ensaios clínicos de Fase III são aplicáveis ​​a pacientes com câncer individuais” de outros ensaios randomizados, incluindo ensaios que produziram resultados negativos. “

Como eles conduziram sua análise

Parikh e colegas usaram um banco de dados nacional de registros eletrônicos de saúde (EHR) da Flatiron Health para emular 11 ensaios clínicos randomizados (estudos que atribuem os efeitos de diferentes tratamentos a grupos por meio da atribuição aleatória de participantes). Quatro malignidades sólidas avançadas mais comuns nos Estados Unidos: câncer de pulmão de células não pequenas avançado, câncer de mama metastático, câncer de próstata metastático e câncer colorretal metastático.

O que eles encontraram

A análise revelou que os pacientes tinham fenótipos de risco baixo e intermediário, que eram características baseadas em características usadas para avaliar os testes de prognóstico subjacentes de um paciente. Em contraste, aqueles com fenótipos de alto risco apresentaram tempos de sobrevivência significativamente mais baixos e benefícios de sobrevivência associados ao tratamento em comparação com os ensaios clínicos randomizados.

Seus resultados sugerem que o aprendizado de máquina pode identificar grupos de pacientes reais onde os resultados de ensaios clínicos randomizados são menos generalizáveis. Isto significa que “os pacientes reais provavelmente terão prognósticos mais heterogêneos do que os participantes de ensaios randomizados controlados”.

Por que isso é importante

A equipe de pesquisa conclui que o estudo “sugere que o prognóstico do paciente, em vez dos critérios de elegibilidade, prevê melhor a sobrevivência e os benefícios do tratamento”. Eles recomendam que os estudos prospectivos “devem considerar formas mais sofisticadas de avaliar o prognóstico dos pacientes no início, em vez de confiar apenas em critérios de elegibilidade rigorosos”.

Além disso, eles citam recomendações da Sociedade Americana de Oncologia Clínica e da Friends of Cancer Research de que deveria ser realizada uma representação crescente de subgrupos de alto risco em ensaios clínicos randomizados, considerando que os efeitos do tratamento para esses indivíduos podem diferir dos de outros participantes. “

No que diz respeito ao papel da IA ​​em tais estudos, Parikh diz: Independentemente de os pacientes responderem ou não a certas terapias, estamos a diagnosticar cancros mais cedo ou a conduzir a melhores prognósticos para os nossos pacientes. “

Esta pesquisa foi apoiada por bolsas do National Institutes of Health: K08CA263541, P30CA016520 e U01CA274576.

Fontes: