Malgré la place grandissante des inhibiteurs de check-point immunitaire (ICIs) dans le cancer bronchique non à petites cellules (CBNPC), le taux de réponse à ce type de traitement est faible et il existe un risque non négligeable de toxicités spécifiques. Aussi, déterminer des facteurs prédictifs de réponse à l’immunothérapie est essentielle et pouvoir le faire à partir de données facilement accessibles au clinicien serait une aide précieuse. L’objectif de cette étude a été de développer, grâce à l’intelligence artificielle (IA), un outil d’aide à la sélection des patients qui pourraient tirer bénéficie d’un traitement par ICIs, et ce à partir de caractéristiques cliniques et biologiques simples.
Il s’agit d’une étude de cohorte observationnelle, rétrospective de patients souffrant de CBNPC, ayant reçu au moins un cycle d’ICI entre avril 2013 et novembre 2017. Les variables étudiées étaient les caractéristiques démographiques, cliniques, hématologiques, thérapeutiques et évolutives. Les données clinicobiologiques ont été corrélées associées au taux de réponse objective (TRO) et au taux de contrôle de la maladie (TCM) par régression logistique, et à la survie (survie sans progression [SSP] et survie globale [SG]) par modèle de Cox.
Parmi les 350 patients inclus dans cette cohorte, l’âge médian était de 62 ans, 66 % étaient des hommes. 26 % avaient un performance status (PS)≥2. Le TRO était de 16 %, le TCM était de 53 %, la SSP médiane était de 3 mois et la SG médiane était de 13,7 mois. En analyse multivariée, le PS≥2 et l’IMC étaient significativement corrélés au TRO (respectivement odds ratio [OR] 0,078, p=0,002 et 1,09, p=0,001). Pour le TCM, il avait une corrélation significative avec le PS≥2, l’hémoglobine et le rapport neutrophiles/lymphocytes (NLR) (respectivement OR à 0,32, p<0,0001 ; 1,36, p<0,0001 et 0,85, p=0,0375). À partir de ces données, des algorithmes de « Machine Learning » sont en cours de développement afin de prédire, de manière individuelle, la probabilité de réponse aux ICIs.
Grâce à l’IA, la combinaison de caractéristiques cliniques et hématologiques basiques pourrait conduire à une prédiction de l’efficacité des ICIs à l’échelle individuelle, et ainsi intégrer le processus de décision thérapeutique à l’heure de la médecine de précision. L’algorithme développé ici nécessitera néanmoins une validation dans une cohorte indépendante de patients.
Le texte complet de cet article est disponible en PDF.
© 2019
Publié par Elsevier Masson SAS.