Descoperirile, publicate în Nature Medicine, provin de la proiectul I³LUNG, un efort internațional de a dezvolta un sistem de suport decizional bazat pe inteligență artificială pentru imunoterapie în NSCLC. Studiul a inclus 2.396 de pacienți cu stadiul IIIC până la IVB tratați în șase centre din șase țări. Cercetătorii au integrat măsurători clinice și de sânge alături de imagistica CT, patologia digitală și informații genomice în modele de învățare automată și învățare profundă.
Una dintre descoperirile remarcabile ale studiului a fost că informații relativ simple, deja colectate în mod obișnuit în practica clinică, au avut o putere predictivă semnificativă.
Modelele folosind date clinice și de sânge, inclusiv expresia PD-L1, statusul de performanță ECOG, statusul de fumător, situsurile metastatice, raportul neutrofile-leucocite și dehidrogenaza lactatului, au obținut valori de arie sub curba de până la 0,77 în setul de testare independent.
Modelele de IA au depășit semnificativ predictorii individuali, inclusiv PD-L1, statusul de performanță ECOG, raportul neutrofile-leucocite, dehidrogenaza lactatului și Indexul Prognostic Imun Pulmonar. PD-L1 rămâne principalul biomarker aprobat clinic utilizat pentru a ghida deciziile de imunoterapie în NSCLC, în ciuda capacității sale limitate de a distinge precis pacienții care vor avea beneficii durabile.
Cercetătorii au testat de asemenea dacă furnizarea medicilor a predicțiilor de IA ar putea îmbunătăți luarea deciziilor clinice în loc să compare pur și simplu performanța algoritmică cu biomarkerii convenționali.
Douăzeci de medici, inclusiv 10 experți în cancerul pulmonar și 10 non-experți, au evaluat cazuri reale de pacienți înainte și după ce au primit predicții de la model, împreună cu explicații care arătau ce caracteristici au contribuit la concluziile acestuia.
Pentru prognozarea controlului bolii, sensibilitatea a crescut de la 0,72 fără asistență de la IA la 0,87 cu instrumentul de IA explicabil, în timp ce acuratețea generală a crescut de la 0,57 la 0,65. Atât specialiștii în cancerul pulmonar, cât și non-experții au arătat îmbunătățiri. Acordul dintre cele două grupuri a crescut de asemenea după introducerea suportului de IA.
Descoperirile sugerează că explicabilitatea poate fi importantă pentru a transforma algoritmii predictivi în instrumente clinice, permițând medicilor să examineze factorii care stau la baza unei predicții individuale în loc să primească un scor de risc neexplicat.
I³LUNG a testat de asemenea dacă combinarea informațiilor clinice cu imagistica CT, patologia digitală și datele genomice ar putea îmbunătăți și mai mult prognoza.
Unele modele multimodale de învățare automată au arătat îmbunătățiri semnificative în timpul validării încrucișate, în special în subgrupurile de pacienți selectate. Cu toate acestea, aceste câștiguri nu au fost reproduse în mod constant în testarea independentă sau în validarea externă.
Sursa articol https://insideprecisionmedicine.com
Senior Editor RevistaSanatatii.ro. Pasionat de lifespan, fan David Sinclair.
