Modélisation mathématique des métastases cérébrales du cancer bronchique non à petites cellules : un outil informatique personnalisé pour prédire l’apparition des métastases et la survie des patients - 12/01/23

Le pronostic sombre du cancer du poumon non à petites cellules (CPNPC) est en partie dû à la fréquence des métastases cérébrales (MC). Même après un traitement curatif dans les stades précoces, la progression intracrânienne se produit dans 10 à 50% des cas. Celle-ci est difficile à prendre en charge, étant donné l’hétérogénéité des présentations cliniques et la variabilité des traitements disponibles, locaux et systémiques. L’objectif de cette étude était de développer un modèle mathématique prédictif de l’oligoprogression intracrânienne chez les patients atteints de CBNPC aux stades précoces.

Les patients inclus présentaient un CBNPC de stades précoces traités de manière curative et ayant eu une rechute cérébrale première et unique (n=31). En se basant sur des travaux préliminaires menés par notre équipe [2Bilous M., Serdjebi C., Boyer A., Tomasini P., Pouypoudat C., Barbolosi D., y al. Quantitative mathematical modeling of clinical brain metastasis dynamics in non-small cell lung cancer Sci Rep 2019 ;  9 (1) : 13018

Haga clic aquí para ir a la sección de Referencias, 1Benzekry S., Tracz A., Mastri M., Corbelli R., Barbolosi D., Ebos J.M.L. Modeling spontaneous metastasis following surgery: an in vivo-in silico approach Cancer Res 2016 ;  76 (3) : 535-547 [cross-ref]

Haga clic aquí para ir a la sección de Referencias], nous proposons un modèle mathématique pour estimer le nombre et la taille des MC dans le cadre du CBNPC. Les deux paramètres clés du modèle sont: α, qui est le taux de croissance spécifique d’une seule cellule tumorale; et μ, qui est la probabilité par jour et par cellule de donner une métastase. La valeur prédictive de chaque biomarqueur numérique a été évaluée par des analyses de survie globale (SG) et survie sans progression.

Le modèle a pu décrire correctement le nombre et la taille des MC lors de la première rechute métastatique pour 20 patients. Les paramètres α et μ ont été significativement associés à la SG (HR 1,65 [1,07–2,53] p=0,0029 et HR 1,95 [1,31–2,91] p=0,0109, respectivement). L’ajout des marqueurs numériques aux marqueurs cliniques a permis d’améliorer de manière significative la valeur prédictive (l’indice c de la SG est passée de 0,585 [IC à 95%: 0,569–0,602], à 0,713 [IC 95% 0,700–0,726], p<0,0001). Ces paramètres permettent d’identifier un groupe de patients à haut risque de rechute cérébrale.

Nous avons démontré que le modèle était applicable à l’oligoprogression cérébrale dans le CBNPC et que les paramètres mathématiques α et μ avaient un potentiel prédictif. Des données de biologie moléculaire seront probablement à intégrer pour améliorer le modèle. La modélisation mathématique représente un outil permettant d’identifier les patients à haut risque de rechute cérébrale et de proposer une prise en charge personnalisée.