Impact pronostique de la maladie résiduelle (MRD) prédite par Machine Learning pour les patients atteints de myélome éligibles à l’autogreffe
Year: 2024
Type: dissertation
Study design: Observational Study
Abstract: Introduction : L’obtention précoce d’une maladie résiduelle indétectable (MRD <10-5) en NGF ou NGSest un critère intermédiaire puissant et validé de survie pour tous les patients atteints de myélome multiple.Individualiser le traitement des patients dès le diagnostic, sur la probabilité d’atteindre la MRD négativitépourrait représenter un nouveau concept de médecine personnalisée, avec une évaluation rapide de sonsuccès.Objectif : Ce travail propose le développement, l’évaluation des performances et l’étude de l’impactpronostique d’un modèle de Machine Learning capable de prédire le statut de la MRD post-induction dèsle diagnostic de la maladie.Population et méthodes : Cette étude a inclus 399 patients atteints de myélome multiple ayant reçu untraitement de première ligne avec autogreffe de CSP. Un total de 234 patients pris en charge au CHU deDijon et 165 patients pris en charge dans 8 centres IFM français ont permis l’entraînement (n=278) et lavalidation (n=121) d’un modèle de régression logistique prédictif de la MRD post-induction.Résultats : Le modèle le plus efficace pour prédire la MRD post induction intégrait la cytogénétiquetumorale [t(4 ;14) et del(17p13)], la biologie initiale [hémoglobine ; calcémie ; albumine ; B2-MG ; créatinine] ainsi que 2 variables cliniques [administration de daratumumab et MM à chaînes légères]. Dans larégression logistique, le daratumumab (-0,912), le MM à chaînes légères (-0,537) et la del(17p13) (+0,434)traduisaient la plus grande variation d’odds ratio de MRD négativité. Les performances étaient évaluéessur 121 prédictions [n=71 à Dijon et n=50 pour la cohorte IFM]. Le modèle atteignait une Accuracy de69% [57%-79%] et de 68% [54%-81%] et les AUC des courbes ROC étaient de 70.5% [57.9%-83.0%] et 70.2%[55.1%-85.3%] respectivement. Dans la cohorte de validation interne [n=71], la prédiction d’une MRD positive était associée à un hazard ratio de progression de la maladie à 3.1 (HR pour la SSP, 3.1 ; 95% IC, 1.3-7.6 ;P-value<0.014) par rapport aux patients prédits MRD indétectable.Conclusion : Il est possible de prédire avec une précision satisfaisante le statut de la maladie résiduelle(MRD) post-induction à partir d’un modèle de Machine Learning intégratif et pondéré. Cette approcheinnovante ouvre la voie d’une médecine personnalisée pour le traitement du myélome multiple.
Source: HAL
Author: Sleiman, Emmanuel
Institution: Université de Bourgogne
Language: French
Subfield: Hematology
Field: Medicine
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W4403589216
