Amerikaanse onderzoekers hebben een klinische score ontwikkeld, waarbij tumor mutational burden, eerdere systemische therapie, albuminewaarde, neutrofiel-lymfocyt ratio, leeftijd en kankertype worden gebruikt om de responskans op behandeling met een checkpointremmer te voorspellen.
Ondanks de grote impact van immuuncheckpointblokkade (ICB) bij de behandeling van kanker, blijft het moeilijk om de respons op behandeling nauwkeurig te voorspellen. De onderzoekers analyseerden daarom een dataset van 2.881 met ICB behandelde en 841 niet-ICB-behandelde patiënten met 18 typen solide tumoren en een breed scala aan klinische, pathologische en genomische kenmerken. Ze ontwikkelden en testten 20 machine learning modellen om het model met de beste voorspellende waarde voor respons op ICB te identificeren. Uiteindelijk werd LORIS (logistic regression-based immunotherapy-response score) ontwikkeld met behulp van een logistisch regressiemodel met 6 kenmerken: tumor mutational burden, eerdere systemische therapie, albuminewaarde, neutrofiel-lymfocyt ratio, leeftijd en kankertype. LORIS presteerde beter dan eerdere modellen bij het voorspellen van de respons op ICB en het identificeren van patiënten die waarschijnlijk een respons zullen hebben, zelfs met een lage tumormutatielast of PD-L1-expressie. LORIS voorspelde ook de overleving op korte en lange termijn bij de meeste soorten kanker. Bovendien vertoont LORIS een bijna monotone relatie met de waarschijnlijkheid van respons op ICB en patiëntoverleving, wat stratificatie van patiënten mogelijk maakt.
De onderzoekers concluderen dat LORIS een nauwkeurige methode is die gebruikmaakt van eenvoudig meetbare kenmerken en kan bijdragen aan het verbeteren van klinische besluitvorming. LORIS is beschikbaar als online tool.
Bron: