S'abonner

P25 - Prédiction métabolomique des toxicités neurologiques et métaboliques induites par le traitement du cancer du sein - 10/05/24

Doi : 10.1016/j.jeph.2024.202465 
J. Jacquemin 1, 2, , M. Piffoux 3, M. Pétéra 4, S. Durand 4, E. Pujos-Guillot 4, O. Trédan 3, C. Lasset 1, 2, Y. Drouet 1, 2
1 Claude Bernard Lyon 1 University, UMR CNRS 5558 LBBE, Villeurbanne, France 
2 Centre Léon Bérard, Département prévention et santé publique, Lyon, France 
3 Centre Léon Bérard, Département d'oncologie médicale, Lyon, France 
4 Centre INRAE Auvergne-Rhône-Alpes, Plateforme d'exploration du métabolisme, Saint-Genès Champanelle, France 

Auteur correspondant

Résumé

Introduction

Les toxicités à long terme liées au traitement, telles que les toxicités neurologiques et métaboliques, constituent un problème majeur en oncologie, en particulier dans le cas du cancer du sein où les patientes bénéficient d'une très bonne survie à long terme. La compréhension et la prédiction des toxicités à long terme est donc essentielle pour prévenir ces toxicités et pouvoir adapter les traitements. Nous avons étudié le lien entre le profil métabolomique mesuré au diagnostic et les toxicités à long terme liées au traitement dans la cohorte prospective Unicancer CANTO (CANcer TOxicities).

Méthodes

Des profils métabolomiques non ciblés à haute résolution ont été acquis au diagnostic pour 992 patientes ER+/HER2- de la cohorte CANTO, en utilisant la chromatographie liquide couplée à la spectrométrie de masse. Quatre profils métabolomiques sériques par patiente ont été produits : (i) métabolites partagés et annotés (m=233), (ii) métabolites annotés mais pas toujours communs (m=471), (iii) métabolites partagés mais pas toujours annotés (m=766) et (iv) tous les métabolites (m=1935). Afin de contrôler les facteurs de confusion tels que la saisonnalité de l'échantillon sanguin, une stratégie de modélisation basée sur les résidus a été développée. Nous avons comparé des modèles statistiques adaptés à l'analyse de données de grande dimension (LASSO, LASSO adaptatif, apprentissage automatique et apprentissage profond) afin de sélectionner les meilleurs modèles pour la prédiction. L'échantillon a été divisé en ensembles de découverte et de validation pour contrôler le surajustement et une correction pour les tests multiples a été appliquée pour contrôler le taux de fausses découvertes.

Résultats

Des données cliniques et métabolomiques au diagnostic étaient disponibles pour 857 patientes répartis entre les ensembles de découverte (n=572) et de validation (n=285). Parmi tous les modèles comparés, le LASSO adaptatif était la méthode statistique la plus intéressante avec un biais d'optimisme limité. La méthode du LASSO adaptatif permettait également de sélectionner un sous-ensemble de métabolites particulièrement intéressants pour la recherche translationnelle future. L'ajout de métabolites à faible fréquence ainsi que de métabolites non annotés augmentait de manière significative le pouvoir prédictif des modèles. Après correction pour les tests multiples, les données métabolomiques été statistiquement associées à divers profils de toxicité neurologique et métabolique dans l'ensemble de validation. Par rapport aux données cliniques seules, l'ajout des données métabolomiques permettait d'atteindre une capacité prédictive modeste mais statistiquement significative, en particulier pour les toxicités neurologiques.

Conclusion

Le profil métabolomique mesuré au diagnostic a une capacité modérée à prédire les toxicités liées au traitement, en plus des variables cliniques, pour les patientes atteintes d'un cancer du sein. La métabolomique haute résolution non ciblée permet d'obtenir de meilleures performances en prenant en compte l'exposition environnementale, les métabolites liés au microbiote et les métabolites de faible fréquence.

Le texte complet de cet article est disponible en PDF.

Mots-clés : Metabolomic, Prediction, Toxicities, Machine learning



© 2024  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 72 - N° S2

Article 202465- mai 2024 Retour au numéro
Article précédent Article précédent
  • P24 - Evaluation de la capacité du RILA à prédire les toxicités tardives après radiothérapie adjuvante chez les patientes atteintes d'un cancer du sein : analyse par courbes ROC dépendantes du temps
  • P. Lemercier, F. Castan, C. Touraine, D. Azria, S. Gourgou, A. Winter
| Article suivant Article suivant
  • P26 - Risque de poussée après vaccination contre le COVID-19 chez les patients atteints de sclérose en plaques en France utilisant un design « self-controlled case series »
  • A. Mulliez, X. Moisset, C. Chenaf, F. Taithe, S. Vukusic, E. Leray

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.