Rupesh Kotecha, MD, a récemment discuté d’un outil d’apprentissage automatique innovant visant à prédire l’échec local après une radiochirurgie stéréotaxique pour les métastases cérébrales lors de la réunion annuelle 2024 de l’American Society for Radiation Oncology (ASTRO). Ce modèle de pointe, développé à partir d’un ensemble de données complet de 1 503 métastases cérébrales traitées chez 235 patients, évalue 3 niveaux de dose de rayonnement différents : 20, 22 et 24 Gy.
L’outil a atteint une précision de 88 %, une spécificité de 91 % et une sensibilité de 89 % au bout de 2 ans. Les principales conclusions de l’étude suggèrent que l’outil aide non seulement à déterminer la dose de rayonnement optimale, mais aide également à adapter la fréquence des examens IRM en fonction du risque individuel du patient.
Les recherches futures avec cet outil prévoient de se concentrer sur l’intégration des effets de la thérapie systémique et la validation du modèle auprès de diverses populations de patients, selon Kotecha, radio-oncologue au Miami Cancer Institute.
Dans une interview avec Targeted OncologyTM, Kotecha a discuté de cet outil et de ses implications pour le domaine.
Oncologie ciblée : pouvez-vous donner un aperçu du résumé concernant l’outil d’apprentissage automatique et son objectif pour prédire l’échec local après une radiochirurgie stéréotaxique ?
Entraîneur: Essentiellement, lorsque des patients sont traités par radiochirurgie stéréotaxique pour de petites métastases cérébrales intactes – celles que nous considérons généralement comme mesurant moins de 2 cm – nous nous demandons toujours quels facteurs peuvent influencer le risque individuel de développer une défaillance locale après le traitement. Il y a des choses qui sont modifiables, [like] la dose de rayonnement que nous utilisons, mais il y a [several] conditions non modifiables, telles que les caractéristiques des patients, que nous ne pouvons pas changer.
Quels types de données ont été utilisés pour entraîner le modèle d’apprentissage automatique ? Comment ces données ont-elles été collectées ?
Les données ont été collectées auprès de patients traités par radiochirurgie stéréotaxique dans notre établissement, et ces patients ont été traités entre janvier 2017, date à laquelle l’établissement a été mis en service, jusqu’en juillet 2022, date à laquelle nous avons coupé les données pour cette étude particulière. Nous avons utilisé une analyse d’appariement par score de propension, il faut donc avoir un grand nombre de patients. Notre base de données comprenait 1 503 métastases cérébrales traitées chez 235 patients au cours de 358 cycles de radiochirurgie stéréotaxique. Nous disposions d’un ensemble de données important pour pouvoir évaluer ces données, ce qui nous a permis de pouvoir évaluer les données à un niveau plus granulaire.
Selon vous, dans quelle mesure l’outil d’apprentissage automatique est-il performant en termes de précision, de sensibilité et de spécificité par rapport aux méthodes traditionnelles ?
Quelles ont été les principales conclusions de l’étude réalisée auprès d’un oncologue communautaire ?
Dans cette étude, nous avons pu développer un premier modèle d’apprentissage automatique capable de prédire une défaillance locale en fonction de la dose. Je pense que cela est utile de deux manières, directement pour la mise en œuvre clinique.
La première est que vous pourriez développer un outil de prise de décision clinique pour déterminer quelle dose de rayonnement doit être utilisée de manière optimale pour un patient. 20, 22 ou 24 Gy sont-ils les meilleurs ? Nous devrions être en mesure de prédire à partir des données le risque d’échec local avec chacune de ces doses et donc d’utiliser ces informations pour sélectionner la dose la plus élevée qui fournit un résultat cliniquement significatif. Si 24 Gy ne vous donnent pas un meilleur contrôle que 22 Gy, alors nous savons que nous pouvons arrêter à cette dose ; nous n’avons pas besoin d’administrer une dose plus élevée à ce patient en particulier.
La deuxième partie, qui me semble intrigante pour notre population de patients en pratique clinique, est que si vous connaissez le risque d’échec local à 6 mois, à 1 an et à 2 ans, [this tool] peut aider à déterminer la fréquence à laquelle planifier des examens IRM. Nous pouvons les espacer ou les rendre plus fréquents selon que le patient présente potentiellement un risque d’échec plus faible ou plus élevé. Cela vous permet d’affiner la fréquence à laquelle nous suivons ce patient en fonction de son risque individuel.
Quels types de défis ont été rencontrés lors du développement de ce modèle ? Comment ont-ils été abordés ?
Je pense que le défi est que, comme pour tout développement d’algorithme d’apprentissage automatique, il est basé sur les données que vous lui fournissez, nous devions donc disposer d’un ensemble de données très bien organisé. Nous devions savoir exactement quels étaient les paramètres que nous allions évaluer chez les patients. Pour cette étude, nous avons spécifiquement utilisé l’échec local, mais on peut utiliser le risque d’irradiation, de nécrose et de survie. Nous pouvons mettre un tas de paramètres, [but] nous devions avoir un codage très spécifique pour les patients, car le modèle ne sera aussi bon que les données que vous lui fournissez, cela nécessitait donc une conservation minutieuse des données. Heureusement, nous traitons les patients avec une approche thérapeutique standardisée dans notre établissement, et ce depuis notre ouverture, nous disposions donc de données essentiellement bonnes pour pouvoir réaliser ce type de projets.
Quelles recherches futures prévoyez-vous pour améliorer cet outil ?
Nous avons une population de patients très diversifiée au Miami Cancer Institute, ce qui facilite la génération de modèles en ce qui concerne la validité interne, et je pense également la validité externe. Mais je pense qu’à mesure que nous ajoutons des populations de patients supplémentaires ou des ensembles de données provenant d’autres institutions, cela nous aidera à identifier [if there are] limites de notre modèle particulier lorsqu’il est appliqué à différentes institutions. Par exemple, si vous regardez notre modèle et si vous essayez de l’appliquer à une population européenne de patients, il peut ou non nécessiter des ajustements supplémentaires. Je pense qu’il s’agit d’un bon modèle ou ensemble de données initial, mais évidemment, à mesure que l’on arrive à des populations de patients plus importantes, ces données seraient utiles pour affiner les évaluations futures de ce moment.
Je voudrais ajouter que nous finalisons le document à ce sujet. Une chose que nous n’avons pas mise dans le résumé ou la présentation, mais que nous avons pu créer pour cet article, ressemble en fait presque à un système basé sur une application où l’on pourrait saisir tous les paramètres clés identifiés dans le modèle comme étant étant significativement associé au risque de défaillance locale. Par exemple, l’âge du patient, son sexe, sa race, son statut de performance, son type de tumeur primaire, son emplacement, [number of] des lésions, [tumor volume]état de la maladie externe et fardeau. Alors, reçoivent-ils des thérapies systémiques ? Quelles sont ces thérapies systémiques concurrentes ?
Si vous mettez tout cela dans le modèle, l’ordinateur indiquera alors, essentiellement, quel serait ce risque de défaillance locale à 6 mois, 1 an et 2 ans avec chacun des niveaux de dose, et cela finira par vous aider. choisissez la meilleure dose pour le patient particulier que vous voyez à la clinique. Nous développons un système basé sur une application qui sera capable de vous fournir ces informations en temps réel. Cela va être inclus dans le document, et il a finalement été soumis pour publication.
RÉFÉRENCE : Yarlagadda S, Zhang Y, Saxena A et al. Développement d’un outil basé sur l’apprentissage automatique pour prédire l’échec local après radiochirurgie stéréotaxique pour les petites métastases cérébrales. Résumé présenté lors de la réunion annuelle 2024 de l’American Society for Radiation Oncology ; 29 septembre-2 octobre 2024 ; Washington, DC. Résumé 2645.
#outil #basé #sur #lapprentissage #automatique #vise #améliorer #les #résultats #radiochirurgie #stéréotaxique
