Model kan forudsige myelomatosepatienters behandlingseffekt
Ved hjælp af genekspressionsteknikker kan en såkaldt simuleret behandlingsindlæringsmodel identificere, hvilke patienter med myelomatose som vil have mest gavn af behandling med Velcade (bortezomib) eller Revlimid (lenalidomid).
Det viser en undersøgelse, som er publiceret i Nature Communications.
Mange kræftbehandlinger er forbundet med alvorlige bivirkninger, mens de ofte kun er til gavn for nogle af patienterne. Derfor er der et akut klinisk behov for værktøjer, der kan hjælpe med at vælge den rigtige behandling ved diagnosen, skriver forskerne bag undersøgelsen i studiets abstract. Nøgleideen bag simuleret behandlingsindlæring er, at patientens fordel af en behandling kan estimeres ved at sammenligne vedkommendes overlevelse med et sæt genetisk lignende patienter, som modtager komparatorbehandling.
Undersøgelsen omfattede 910 myelomatosepatienter på tværs af tre fase III-forsøg. Forskerne brugte en algoritme kaldet GESTURE til kombinerede data fra forsøgene TT2 (Total Therapy 2 for Multiple Myeloma), TT3 og HOVON-65/GMMG-HD4. Disse forsøg sammenlignede Velcade eller Revlimid med konventionelle behandlinger mod myelomatose.
Modellen identificerede i alt 180 patienter (20 procent), for hvem Velcade ville give en 100 procent større fordel i progressionsfri overlevelse (PFS) end i undersøgelsespopulationen som helhed. Revlimid ville give en 200 procent større PFS-fordel hos 31 procent af patienterne.
Ud fra studiets resultater konkluderer forskerne, at den simulerede behandlingsindlæringsmodel kan udlede klinisk brugbare genekspressions-signaturer, der muliggør en mere personlig tilgang til behandling. Metoden kræver et stort datasæt, men kan f.eks. være nyttigt til forsøg, der ikke har nået deres primære endepunkt.
Næste skridt er at se, om modellen giver nyttige behandlingsforudsigelser inden for andre kræftformer. Koden til at træne og validere modellen er tilgængelig på Github.com