Door klinische en genomische kenmerken te laten analyseren door kunstmatige intelligentie kan het effect van CDK4/6-remmers beter worden voorspeld dan op basis van alleen klinische of alleen genomische factoren. Dit blijkt uit een studie waarbij ‘machine learning’ werd gebruikt om de effectiviteit van CDK4/6-remmers te voorspellen.
Onderzoekers wilden nagaan of machine learning kan helpen beter te voorspellen welke patiënten met hormoongevoelig, HER2-negatief mammacarcinoom baat hebben bij CDK4/6-remmers. Ze gebruikten data over klinische en genomische kenmerken van 1.087 patiënten met gemetastaseerd, hormoongevoelig mammacarcinoom om een AI-model te trainen en te testen. De voorspellingen van het gecombineerde model werden vervolgens vergeleken met de voorspellingen die gebaseerd waren op alleen klinische of alleen genomische factoren.
Hoewel de modellen gebaseerd op alleen klinische of genomische factoren onderscheid konden maken tussen patiënten met veel of weinig baat van CDK4/6-remmers, bleek het gecombineerde model een nog grotere voorspellende kracht te hebben. Dit model onderscheidde 4 risicogroepen. In de meest gunstige groep was de mediane progressievrije overleving 28,99 maanden en was de 1-jaarsoverleving 84%, terwijl deze cijfers in de minst gunstige groep respectievelijk 5,34 maanden en 20% waren.
Verder bleek dat het model een aanvulling kan zijn op de traditioneel gebruikte risicocriteria, zoals een behandelingsvrij interval van minder dan 12 maanden of de aanwezigheid van meetbare ziekte. Van de patiënten die volgens deze traditionele risicofactoren als hoogrisico werden ingeschat, werd 27% door het AI-model als laagrisico beoordeeld, terwijl in de laagrisicogroep 32% als hoogrisico ingeschat werd.
Belangrijke factoren in het gecombineerde model waren kenmerken die al bekendstaan als geassocieerd met een suboptimale behandelingsrespons, zoals de tumor mutational burden, TP53-mutaties, levermetastasen en het ontbreken van progesteronreceptoren.
Bron: