S'abonner

Prédiction de la progression chez des patients atteints de myélome multiple avec des Random Survival Forest - 08/03/19

Doi : 10.1016/j.mednuc.2019.01.061 
L. Morvan 1, , D. Mateus 2, C. Bailly 3, B. Jamet 3, C. Bodet Milin 3, F. Kraeber Bodéré 3, P. Moreau 4, C. Touzeau 4, T. Carlier 3
1 CRCINA, Inserm, Équipe 13, Nantes 
2 Équipe SIMS, LS2N, Nantes 
3 Médecine nucléaire, CHU, Nantes 
4 Hématologie, CHU, Nantes 

Auteur correspondant.

Résumé

Introduction

Le myélome multiple (MM) est un cancer de la moelle osseuse caractérisé par une survie à 5 ans de 54 %. Très peu d’études s’intéressent à la prédiction de la survie des patients atteints de MM et encore moins à partir de biomarqueurs par imagerie. Les méthodes de Cox et de Kaplan–Meier sont les plus utilisées dans le contexte de la survie. Cependant, les Random Survival Forest (RSF), une méthode d’ensemble d’arbres, peut fournir un procédé plus robuste pour l’analyse de la survie et n’est pour le moment pas étudié dans le cadre du MM et de l’imagerie TEP. Nous proposons une méthode pour la prédiction de la progression dans le contexte du MM en utilisant des RSF avec la méthode de sélection par « variable importance » (VIMP) (Ishwaran et al., Annals of Applied Statistics, 2008).

Méthodes

Cette étude est basée sur un essai clinique français multicentrique et prospectif, IMAJEM, visant l’évaluation du bénéfice potentiel de l’imagerie TEP/TDM dans le diagnostic du MM (Moreau et al. JCO, 2017). Cette étude inclut 134 patients et s’intéresse au temps relatif à la survie sans progression. Des caractéristiques cliniques et d’imagerie ont été considérées. La méthode proposée est la suivante : Tout d’abord, les meilleurs paramètres des forêts sont sélectionnés par « 10-fold cross validation. » Deuxièmement, 100 forêts sont entraînées afin d’obtenir une valeur d’importance moyenne pour chaque caractéristique. Ensuite, une nouvelle base de données est créée avec les meilleures caractéristiques trouvées. Enfin, cette base de donnée est utilisée pour construire des forêts dans le but d’évaluer le modèle par « 10-fold cross validation. » et de séparer en deux groupes (bon et mauvais pronostic).

Résultats et Conclusion

Notre méthode permet d’obtenir de meilleurs résultats que lorsque l’on considère RSF sans sélection préalable (0,32 d’erreur contre 0,41) avec une bonne séparation entre les groupes de bon et mauvais pronostic (p=0,07). De plus, cette technique fournit de meilleurs résultats que les méthodes du Gradient-boost Cox et Lasso Cox (0,52 et 0,42 d’erreur). Enfin, les caractéristiques trouvées comme les plus prédictives sont le sexe, le score de Deauville, des lésions focales et de l’envahissement ostéo-médullaire, la présence de maladie extra-médullaire, le nombre de lésions focales selon la TEP, le SUVmax ostéo-médullaire et le bras de traitement. Par la suite, plus de patients ainsi que des caractéristiques texturales et volumiques vont être inclus.

Le texte complet de cet article est disponible en PDF.

Mots clés : Bilan initial, Oncologie, Valeur pronostique, Méthodologie/Instrumentation, 18F-FDG


Plan


© 2019  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 43 - N° 2

P. 193 - mars 2019 Retour au numéro
Article précédent Article précédent
  • Concordance entre la TEP au FDG et l’IRM au cours du myélome multiple
  • A. Louzoun, M. Toledano, M. Hommada, M. Soussan
| Article suivant Article suivant
  • Analyses visuelles et quantitatives de la TEP au 18-FDG double temps pour différencier progression et radionécrose après radiothérapie des métastases cérébrales
  • J. Farce, X. Palard Novello, B. Carsin Nicol, I. Lecouillard, E. Vauleon, P.J. Le Reste, K. Gnep, A. Devillers, F. Le Jeune, A. Girard

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.