Un modelo de IA clasifica los riesgos de recaída temprana después de la terapia con células T CAR en una población...

Área de la Ciencia:

• En el campo de la oncología
• Ciencia de los datos biomédicos
• Hematología

Sus antecedentes:

• La evidencia del mundo real (RW) confirma la eficacia de axicabtagene ciloleucel (axi-cel) en el linfoma difuso de células B grandes (DLBCL), reflejando los resultados del ensayo pivotal.
• A pesar del éxito de axi-cel, una proporción significativa de pacientes (casi el 57%) experimentan recaídas, lo que requiere estrategias terapéuticas adicionales.
• La identificación de pacientes con alto riesgo de recaída temprana es crucial para optimizar el tratamiento y mejorar la supervivencia a largo plazo.

Objetivo del estudio:

• Evaluar el rendimiento en el mundo real de axi-cel en una cohorte del Sistema de Salud de la Universidad de California (UC).
• Desarrollar y validar un modelo de árbol de decisión de aprendizaje automático (ML) para predecir una recaída temprana (dentro de los seis meses) en pacientes con DLBCL tratados con axi-cel.

Principales métodos:

• Un análisis retrospectivo de 416 pacientes adultos con DLBCL tratados con axi-cel entre 2017 y 2024.
• Desarrollo de un modelo de ML de árbol de decisión utilizando la edad del paciente y seis pruebas de laboratorio de rutina (LDH, CRP, ferritina, hematocrito, recuento de plaquetas, PT).
• Evaluación del rendimiento utilizando la curva de área bajo la característica de funcionamiento del receptor (AUROC) y el análisis de la curva de decisión.

Principales resultados:

• La mediana de supervivencia libre de progresión (SFP) fue de 10,1 meses, y la mediana de supervivencia global (SO) fue de 54,4 meses.
• Las tasas de PFS y OS a los 18 meses fueron del 41,6% y del 65,5%, respectivamente.
• El modelo ML logró un AUROC de 0,82 y demostró utilidad clínica a través de varios umbrales de decisión.

Conclusiones:

• El estudio confirma la efectividad en el mundo real de axi-cel en diversas poblaciones de pacientes con DLBCL.
• El modelo ML desarrollado ofrece un enfoque novedoso basado en datos para identificar a los pacientes en riesgo de recaída temprana.
• Este modelo predictivo tiene el potencial de guiar la toma de decisiones clínicas y explorar intervenciones adicionales para pacientes con DLBCL de alto riesgo.