Évaluation de la réponse attendue au traitement par anti-PD1 chez les patients avec un mélanome de stade IIIc-IV à l’aide de l’intelligence artificielle - 20/11/19
Résumé |
Introduction |
L’intelligence artificielle et notamment le machine learning apparaissent de plus en plus comme des outils pouvant avoir un intérêt en médecine. Nous présentons ici un exemple d’utilisation du machine learning pour évaluer la réponse potentielle à un traitement par anti-PD1 pour les patients avec un mélanome stade IIIc ou IV, dans le cadre d’un projet de recherche au CHU de Nantes.
Matériel et méthodes |
La base de données nationale RIC-Mel (réseau pour la Recherche et l’Investigation Clinique sur le Mélanome) était utilisée comme source de données originelle. Les traitements par anti-PD1 prescrits au CHU de Nantes étaient extraits de cette base (289 traitements). Pour chaque traitement, on associait :
– Les données cliniques du patients : âge, sexe, indice de Breslow, type de mélanome, ulcération, mélanome régressif, index mitotique, nombre de ganglions atteints, présence d’effraction capsulaire, mutations, stade au début du traitement, stades précédents, nombre et types de métastases, traitements précédents (types et réponses), délai entre l’exérèse du primitif et l’apparition de métastases.
– La réponse au traitement parmi quatre possibilités : progression, stabilité, réponse partielle, réponse complète.
Cet ensemble de traitements était séparé en deux parties : 80 % des traitements étaient utilisés comme base d’apprentissage, les 20 % restants comme base de test. Un algorithme de machine learning, XGBoost, était utilisé pour apprendre sur la base d’apprentissage. La performance de l’algorithme était évaluée, sur la base de test, par le pourcentage de traitements correctement classifiés dans deux classes, 1re classe : réponse complète, réponse partielle et stabilité, 2e classe : progression.
Résultats |
La réponse au traitement prédite par le modèle était correcte dans 65 % des cas. Les variables les plus utilisées par l’algorithme pour la prédiction ont été : l’âge, l’indice de Breslow, le délai entre l’exérèse du primitif et l’apparition de métastases et le nombre de métastases (Annexe A).
Discussion |
Ce modèle montre l’utilisation possible de l’intelligence artificielle pour la recherche sur le mélanome et éventuellement l’aide à la décision thérapeutique. La performance peut être améliorée en augmentant le volume de données cliniques (données RIC-Mel IDGO associées à celles du centre de Nantes). D’autres algorithmes qu’XGBoost pourraient aussi être testés. Cette méthode peut également être utilisée pour évaluer les risques de récidive chez des patients traités par immunothérapie ainsi que les risques de toxicité et s’appliquer aux autres traitements du mélanome de stade IV.
Conclusion |
Nous présentons ici le principe de fonctionnement du machine learning à partir d’un exemple d’utilisation possible dans la recherche sur le mélanome.
Le texte complet de cet article est disponible en PDF.Mots clés : Immunothérapie, Intelligence artificielle, Machine-learning, Mélanome
Plan
☆ | Les illustrations et tableaux liés aux abstracts sont disponibles à l’adresse suivante : https://doi.org/10.1016/j.annder.2019.09.107. |
Vol 146 - N° 12S
P. A101-A102 - décembre 2019 Retour au numéroBienvenue 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 ?