Het machine-learningmodel CLL-TIM kan bij patiënten met nieuw gediagnosticeerde, asymptomatische chronische lymfatische leukemie (CLL) een verhoogd risico op ernstige infecties of behandeling binnen 2 jaar identificeren. Dat blijkt uit de eerste prospectieve validatie van het model in een internationaal klinisch onderzoek.
CLL-TIM deelt patiënten met vroege CLL in op basis van hun risico op ernstige infecties of de noodzaak tot behandeling. Het model is eerder retrospectief gevalideerd, maar prospectieve gegevens ontbraken tot nu toe.
Voor deze analyse gebruikten de onderzoekers gegevens van 574 patiënten uit de fase II-studie PreVent-ACaLL. Op basis van CLL-TIM deelden ze de patiënten in groepen met een hoog of laag risico en een hoge of lage mate van voorspellingszekerheid in. Vervolgens volgden ze de uitkomsten gedurende 2 jaar.
Het model classificeerde 17% van de patiënten als hoog risico met een hoge voorspellingszekerheid. In deze groep bleef 54% gedurende 2 jaar vrij van ernstige infecties en behandeling, tegenover 90,3% en 95,9% in de 2 laagrisicogroepen. Ook ten opzichte van de hoogrisicogroep met een lagere voorspellingszekerheid (74,7%) waren de uitkomsten ongunstiger.
Hoewel het model niet was ontwikkeld om totale overleving te voorspellen, was de 2-jaarsoverleving lager in de hoogrisicogroep met hoge voorspellingszekerheid (88,7%) dan in de laagrisicogroepen. Daarnaast hadden deze patiënten een hoger risico op ernstige infecties en een grotere kans om binnen 2 jaar behandeling nodig te hebben.
Volgens de onderzoekers bevestigen de resultaten dat CLL-TIM patiënten met een verhoogd risico betrouwbaar kan identificeren. Het model zou in de toekomst kunnen worden ingezet ter ondersteuning van klinische besluitvorming, bijvoorbeeld bij intensievere monitoring of gerichte infectieprofylaxe.
Bron:
Agius R, da Cunha-Bang C, Katsimigas A, et al. Prospective validation of the CLL-TIM machine-learning algorithm predicting infection and treatment in CLL: results from the phase 2 clinical trial PreVent-ACaLL, non-randomized cohort. EHA Congress 2026, abstract S143.