Selon une étude menée par l'University of Maryland publiée dans PLOS ONE, des chercheurs utilisent une branche de l’intelligence artificielle appelée apprentissage automatique pour mieux cibler le traitement par immunothérapie sur les personnes qui en bénéficieront.
Comme le révèlent les chercheurs, les immunothérapies, qui utilisent le système immunitaire d'une personne pour lutter contre le cancer, ont produit des résultats révolutionnaires ces dernières années, notamment la guérison des personnes atteintes d'une maladie avancée, auparavant inopérable. Ces succès remarquables ont poussé certains de ces médicaments à devenir la norme de soins pour le traitement de nombreuses formes de cancer. Et pourtant, la plupart d'entre eux ne travaillent que pour une minorité de patients. Dans certains cas, moins de 20 patients sur 100 en bénéficieront. Selon les chercheurs, il est clair que l'amélioration de l'utilisation de l'immunothérapie et la réduction des coûts liés aux traitements infructueux, et donc inutiles, consistent à prévoir plus précisément quels patients en bénéficieront.
Les chercheurs croient que le moyen d'améliorer les prévisions réside dans une nouvelle approche de modélisation informatique, qui analyse les données sur de multiples facettes. des patients et de leur cancer simultanément. Ces derniers ont utilisé les données d'un essai clinique de patients atteints d'un cancer de la vessie pour démontrer que leur approche pouvait identifier une série de caractéristiques permettant de prédire avec précision une réponse clé du système immunitaire au traitement tout en réduisant le traitement de moitié.
Bien que les chercheurs en immunothérapie commencent à recueillir plus d'informations sur les patients atteints de cancer et leurs réponses au traitement, l'accent reste largement mis sur la recherche de quelques marqueurs clés qui se révèlent être d'importants prédicteurs de succès. Selon les chercheurs, la solution, cependant, peut être beaucoup plus complexe. Il peut ne pas y avoir une poignée de caractéristiques ou de marqueurs importants pour tous les patients, et ceux qui existent sont susceptibles de fonctionner dans une combinaison complexe.
Pour générer leur modèle informatique, les chercheurs ont analysé les données d'un essai clinique avec un ensemble de données particulièrement riche qui capturait des informations sur les cellules tumorales, les cellules immunitaires et des informations sur les patients, telles que les données démographiques et les antécédents médicaux. Comme de nombreuses études, l’essai visait à trouver les caractéristiques clés associées à une réponse spécifique au médicament. Reconnaissant le potentiel d'un tel ensemble de données multimodales, les chercheurs ont compris qu'il était possible d'appliquer l'apprentissage automatique au problème. Les chercheurs ont alimenté 36 éléments différents dans leur modèle, permettant à l’ordinateur d’identifier des schémas permettant de prédire l’augmentation du nombre de cellules immunitaires susceptibles de combattre la tumeur dans le sang d’un patient après le traitement.
L'algorithme résultant a identifié 20 caractéristiques qui, lorsqu'elles ont été analysées ensemble, ont expliqué 79% de la variation de la réponse immunitaire du patient. Selon les chercheurs, cela signifie que l'ensemble des fonctionnalités exceptionnellement complètes rassemblées pour ces patients est suffisant pour prédire la réponse immunitaire du patient avec une grande précision.
Les chercheurs ont découvert que s’ils éliminaient l’une des trois catégories de données du modèle (données sur la tumeur, données sur les cellules immunitaires ou données cliniques sur les patients), la réponse immunitaire n’était plus prévisible. En effet, leur modèle ne pouvait prévoir que 23% au maximum. de la variation. Les chercheurs soulignent que ce ne sont pas nécessairement les 20 caractéristiques qui importent, mais plutôt le recours à une approche multifactorielle.
Les chercheurs précisent que leurs travaux doivent être considérés comme étant un parallèle naturel aux efforts actuels en oncologie de précision, qui vise à adapter les traitements à la génétique et aux profils moléculaires des tumeurs de patients individuels. Les chercheurs soulignent également, en terminant, que modèle mis au point n’est pas prêt à être utilisé comme outil de diagnostic car il n’intègre que les données de 21 patients, ce qui est beaucoup trop peu pour être prédictif pour la population en général.
Aucun commentaire:
Enregistrer un commentaire