Le méthotrexate (MTX) est le traitement le plus utilisé en première ligne de la polyarthrite rhumatoïde (PR), cependant 30 à 40 % des patients n’y répondent pas. Les identifier en amont d’une prescription permettrait de proposer plus rapidement un traitement ciblé (biologique ou synthétique) dans un objectif de rémission. L’objectif de cette étude est d’évaluer si l’intelligence artificielle peut prédire la réponse d’un patient PR au MTX.

Nous avons utilisé les données de patients issus de cohortes d’arthrites récentes française et néerlandaises : ESPOIR (ClinicalTrials.gov NCT03666091) est utilisé comme cohorte de découverte ; Leiden EAC et t-REACH sont utilisées comme cohorte de validation. L’accès aux données de Leiden EAC et t-REACH est en cours, elles seront présentées au cours du congrès. Pour être inclus, les patients doivent vérifier les critères ACR/EULAR 2010, ils doivent être traités par MTX et ne doivent pas avoir d’autre traitement de fond concomitant. La réponse thérapeutique est définie par le critère de réponse EULAR à 1 an (± 6 mois car visite annuelle dans ESPOIR).

Trois modèles sont évalués via un processus de validation croisée d’un contre tous : régression logistique, Random forest et XGBoost. Les modèles prennent en entrée les variables-patient avant l’initiation du traitement et prédisent la réponse thérapeutique. Leurs performances sont comparées via l’aire sous la courbe ROC (AUC) et le modèle obtenant les meilleures performances est sélectionné. Pour interpréter les prédictions, nous évaluons ensuite l’impact de chaque variable (est-ce qu’elle influe vers la réponse ou non-réponse ? avec quelle amplitude ?) sur les prédictions du modèle sélectionné via les valeurs de Shapley et les tracés en cascade.

Nous avons inclus 426 patients d’ESPOIR. Le modèle sélectionné est Random Forest, il atteint une AUC de 79 % (intervalle de confiance à 95 % : [75 % ; 83 %]) avec une valeur prédictive négative de 86 % ([77 % ; 94 %]) et une spécificité de 35 % ([28 % ; 42 %]) sur la base ESPOIR. Les variables sélectionnées par le modèle pour la prédiction sont, par ordre d’importance : le DAS28 avant traitement, la créatinine, le facteur rhumatoïde IgM, la CRP, la vitesse de sédimentation, le taux de leucocytes, l’IMC, le poids, le sexe et la présence d’anticorps anti-CCP (oui/non).

Dans la littérature, la meilleure étude utilisant des données cliniques obtenait une AUC de 77 % ([68 % ; 86 %]), donc une performance proche de celle de notre modèle. Une étude utilisant des données de génomique obtenait une AUC de 84 %. Notons que la VPN élevée (86 %), si elle est confirmée sur les cohortes de découverte, permettrait de sélectionner des patients dont les chances de réponse au MTX sont très faibles. Ils seraient donc de bons candidats à une biothérapie de 1^re ligne. Notons enfin que pour une utilisation en vie réelle, notre modèle a l’avantage d’utiliser un nombre réduit de variables.

Avec des méthodes d’intelligence artificielle, nous avons pu identifier les non-répondeurs au MTX en se basant uniquement sur un nombre limité de variables cliniques et biologiques. En effet, 86 % des patients prédits comme non-répondeurs par notre modèle n’ont en effet pas répondu à leur traitement par MTX. Ceci permet d’envisager d’utiliser cet algorithme dans des essais cliniques de stratégie thérapeutique pour d’éviter d’utiliser ce traitement chez les patients ayant un fort risque de non-réponse thérapeutique.