Les métastases cérébrales, en particulier celles de moins de 2 cm, présentent des défis pour obtenir un contrôle local optimal après une SRS. La posologie du traitement conventionnel consiste généralement en 20 Gy, 22 Gy ou 24 Gy et repose sur des directives générales. Cependant, ceux-ci ne tiennent pas compte des facteurs nuancés spécifiques au patient.
En intégrant l’IA dans le processus décisionnel, ce modèle d’apprentissage automatique offre aux cliniciens la possibilité d’évaluer les probabilités d’échec locales à 6 mois, 1 an et 2 ans après le traitement en fonction de facteurs tels que la dose prescrite, l’âge, le score de performance de Karnofsky ( KPS) et cours de traitement SRS.
Selon un résumé présenté lors de la réunion 2024 de l’American Society for Radiation Oncology (ASTRO), l’étude a analysé un ensemble de données important provenant de 235 patients traités au Miami Cancer Institute entre 2017 et 2022, qui comprenait 1 503 cas de métastases cérébrales dans le cadre de 358 cours SRS. Une analyse rigoureuse d’appariement des scores de propension a été réalisée pour ajuster les variables confondantes.
La cohorte étudiée avait un âge médian de 65 ans (écart interquartile [IQR]55-73), avec 61% de la population étant des femmes. Le KPS médian était de 90 (IQR, 80-90) et le nombre médian de lésions traitées par cours SRS était de 4 (IQR, 2-7). De plus, le cancer du poumon (58,5 %) était la tumeur primitive la plus courante, suivi du cancer du sein (24,6 %), et les doses prescrites étaient de 20 Gy pour 297 lésions (20 %), 22 Gy pour 442 lésions (29 %). et 24 Gy pour 764 lésions (51 %).
“Nous avons utilisé des algorithmes d’apprentissage automatique pour nous aider à déterminer quels sont les facteurs associés à un échec local et comment nous pourrions potentiellement prédire le risque d’échec local d’un patient après son traitement par radiochirurgie”, a-t-il ajouté.
« Dans cette étude, nous avons pu développer un premier modèle d’apprentissage automatique capable de prédire une défaillance locale en fonction de la dose. [T]cela est utile de deux manières, directement pour la mise en œuvre clinique », a déclaré Kotecha.
À l’avenir, Kotecha a expliqué que le pouvoir prédictif du modèle pourrait s’étendre avec des ensembles de données plus vastes et diversifiés provenant d’institutions supplémentaires.
« Nous avons une population de patients très diversifiée au Miami Cancer Institute. Cela aide à la génération de modèles en ce qui concerne la validité interne, et je pense également pour la validité externe. Mais 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] Il y a des limites à notre modèle particulier lorsqu’il est appliqué dans différentes institutions.
RÉFÉRENCE : 1. 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 #dIA #améliore #prise #décision #matière #SRS #pour #les #métastases #cérébrales