Des chercheurs de l’UT Arlington développent un modèle amélioré pour prédire les taux de guérison du cancer

Avec le développement rapide de la puissance de calcul au cours des dernières décennies, les techniques d’apprentissage automatique (ML) sont devenues de plus en plus populaires dans le domaine médical pour prédire les taux de survie et l’espérance de vie des patients diagnostiqués avec des maladies telles que le cancer, les maladies cardiaques, les accidents vasculaires cérébraux, etc. et plus récemment, le COVID-19. Une telle modélisation statistique aide les patients et les soignants à équilibrer le traitement pour offrir les meilleures chances de guérison tout en minimisant l’impact des effets secondaires potentiels.

Un professeur et son étudiant diplômé de l’Université du Texas à Arlington ont publié un nouveau modèle pour prédire la survie au cancer qui, selon eux, est 30 % plus efficace que les modèles précédents pour prédire qui sera guéri d’une maladie. Ce modèle peut aider les patients à éviter les traitements dont ils n’ont pas besoin tout en permettant aux équipes de traitement de se concentrer sur d’autres personnes qui ont besoin d’interventions supplémentaires.

Des études antérieures modélisant la probabilité de guérison, également appelée taux de guérison, utilisaient un modèle linéaire généralisé avec une fonction de lien paramétrique bien connue telle que la fonction de lien logistique. Cependant, ce type de recherche ne prend pas en compte les relations non linéaires ou complexes entre la probabilité de guérison et des covariables importantes, telles que l’âge du patient ou l’âge d’un donneur de moelle osseuse. Notre recherche s’appuie sur le modèle Promotion Time Cure (PCM) précédemment testé et le combine avec un type supervisé d’algorithme ML appelé Support Vector Machine (SVM), qui est utilisé pour capturer les relations non linéaires entre les covariables et la probabilité de guérison.

Suvra mon pote, chercheur principal, Professeur agrégé de statistique au Département de mathématiques

Soutenu par une subvention de l’Institut national des sciences médicales générales, le nouveau modèle PCM intégré au SVM (PCM-SVM) est développé de manière à s’appuyer sur une interprétation simple des covariables pour prédire quels patients ne seront pas guéris à la fin de leur traitement Un traitement initial sera nécessaire et des interventions médicales supplémentaires seront nécessaires.

Pour tester la technique, Pal et son étudiant Wisdom Aselisewine ont collecté des données réelles de survie de patients atteints de leucémie, un type de cancer du sang souvent traité par une greffe de moelle osseuse. Les chercheurs ont choisi la leucémie parce qu’elle est causée par la production rapide de globules blancs cancéreux anormaux. Comme ce n’est pas le cas pour les personnes en bonne santé, ils ont pu voir clairement quels patients dans l’ensemble de données historiques ont été guéris par les traitements et lesquels ne l’ont pas été.

Les deux modèles statistiques ont été testés et la nouvelle technique PCM-SVM s’est avérée 30 % plus efficace pour prédire qui serait guéri par les traitements par rapport à la technique précédente.

« Ces résultats démontrent clairement la supériorité du modèle proposé », a déclaré Pal. « Grâce à notre précision améliorée de prédiction de guérison, les patients présentant des taux de guérison considérablement élevés peuvent être protégés des risques supplémentaires liés aux traitements de haute intensité. De même, les patients présentant de faibles taux de guérison peuvent se voir recommander un traitement rapide pour empêcher la maladie de progresser vers un stade avancé pour lequel les options thérapeutiques sont limitées. Le modèle proposé jouera un rôle important dans la définition de la stratégie de traitement optimale.