Overlæge: Machine learning bliver det næste store paradigmeskifte på tværs af hæmatologien

ASH: Machine learning har de senere år tiltrukket sig stadig større opmærksomhed, og potentialet er nu lige på trapperne til for alvor at blive udfoldet, siger overlæge Carsten Utoft Niemann. Han forudser, at machine learning bliver det næste paradigmeskifte i behandlingen af hæmatologiske sygdomme.

Machine learning, der er en metode til at finde mønstre i store mængder data, har teoretisk været en varm kartoffel i en del år, men nu er teknologien og datahåndteringen ved at være moden til, at man kan høste frugterne heraf i den kliniske praksis. Søndag d. 11. december præsenterede Carsten Utoft Niemann, overlæge på Rigshospitalets hæmatologiske afdeling, således data fra et studie, der har anvendt machine learning til at identificere patienter med kronisk lymfatisk leukæmi (CLL) med høj risiko for at få infektioner under behandlingen på den amerikanske hæmatologiske kongres ASH 2022 (abstract #3126). Infektioner er den hyppigste årsag til død blandt patienter med CLL, hvorfor det har høj prioritet at udvikle og implementere metoder, der kan forudsige infektionsrisikoen.

”Målet er, at vi ender et sted, hvor vi ved hjælp af machine learning kan forudse, hvilke patienter, der har gavn af en given behandling og hvilke patienter, der ikke har – og som så bør få en anden behandling. På den måde bevæger vi os væk fra at tale om sandsynligheder for effekt; fra lægekunst mod datadrevet mønstergenkendelse,” siger Carsten Utoft Niemann.

”For mig er det helt klart, at machine learning bliver det næste paradigmeskift inden for behandling af CLL – ja, inden for behandling af hæmatologiske og onkologiske sygdomme i det hele taget.”

Udviklingen er langt

Studiet inkluderede data fra 647 patienter med CLL, som var blevet behandlet i Danmark i perioden frem til 2020. Data var indhentet fra det danske CLL register, Persimune-databasen samt diverse elektroniske databaser. Machine learning algoritmen XGBoost blev anvendt til at analysere de store mængder data med det formål at udpege patienter, som var i særlig høj risiko for at få alvorlige infektioner under behandlingen. Data viser, at det var muligt at risikostratificere patienterne forud for behandlingsstart inden for og på tværs af forskellige behandlingsregimer. Det er, ifølge Carsten Utoft Niemann, første skridt i retning af reel præcisionsmedicin.

”Næste skridt er at forfine algoritmerne, så de kan selektere og bestemme, hvilke patienter, der har gavn af én behandling frem for en anden. Altså; udvikle metoder til at identificere patienter, der har henholdsvis et godt og et dårligt outcome på en behandling. Vi har mange gode prognostiske CLL-markører, men vi har aktuelt meget få markører, der med sikkerhed kan sige, hvordan patienterne vil klare sig på en bestemt behandling,” siger han.

På CLL-området er arbejdet med at udvikle og implementere machine learning i gang. Rigshospitalet samarbejder aktuelt med flere andre europæiske forskningsgrupper i det projekt, der hedder CLL-CLUE, hvis formål er at udvikle machine learning-baserede støtteværktøjer på basis af både rutinedata og laboratoriebaserede analyser af patientprøver, der kan guide behandlingen af patienter med CLL. Ydermere er der etableret et stort dansk samarbejde, der aktuelt foretager genetiske analyser af prøver fra cirka 10.000 patienter, og kombinerer analyserne med data fra mere end 65.000 patienter med lymfoide kræftsygdomme. Og som noget forholdsvis nyt er den første beta-version af en machine learning-algoritme blevet integreret i Region Hovedstadens IT-system Sundhedsplatformen. Algoritmen kan prædiktere CLL-patienters risiko for infektion samt behandling inden for to år.

”Jeg tror, at vi vil se machine learning være taget i brug som beslutningsstøtteværktøj ved flere forskellige hæmatologiske sygdomme inden for de næste ti år,” siger Carsten Utoft Niemann.

Datasikkerhed er et benspænd

Adgang til data udgør imidlertid et benspænd. Teknologien er, ifølge Carsten Utoft Niemann, moden til at integrere machine learning i klinisk praksis, men som det ser ud nu, vil datadeling ikke være lovligt i henhold til GDPR-reglerne. Det gør sig også gældende, selvom data pseudo-anonymiseres. I Danmark arbejder man blandt andet på at knække koden omkring datasikkerhed i det projekt, der hedder National Health Data Science Sandbox’, der sigter imod at definere en ramme for lovlig fremstilling og deling af syntetiske data på tværs af institutioner og forskere på en måde, så patienters privatliv og data forbliver beskyttede, mens forskningen indenfor sundhedsdata kan udvikles. 

”Det er essentielt, at vi finder en løsning på den udfordring. Data skal gøres tilgængelige for data-scientists verden over. Vi har brug for forskere, der har hænderne nede i data, som kan vise os vejen frem herfra – det er det, der driver udviklingen,” siger Carsten Utoft Niemann.

Selvom machine learning endnu ikke har vundet indpas i behandlingen, er man i udvalgte kliniske studier begyndt at bruge specifikke biomarkører til at allokere patienter til en bestemt behandling upfront. Det gør sig for eksempel gældende i GAIA-CLL13-studiet. Her blev CLL-patienter med TP53-mutationer eller del(17p) flyttet til et parallelt studie, hvor de i stedet for kemoimmunterapi fik behandling med en kombination af de tre formodentligt mest effektive anti-CLL-præparater, der aktuelt er på markedet; ibrutinib, venetoclax og obinutuzumab. Data fra GAIA-CLL13 er også blevet præsenteret på ASH 2022.  

”Der er ikke nogen konklusive data endnu for de enkelte undergrupper af patienter, men tilgangen i subgruppeanalyserne fra GAIA-CLL13 er et godt eksempel på, hvordan vi aktivt kan kombinere biomarkører og patientdata til at guide vores behandling,” siger Carsten Utoft Niemann.