Ny AI-model vurderer transplantationsrisiko hos myelofibrosepatienter bedre end traditionelle metoder
En ny AI-genereret algoritme er bedre til at vurdere risiko ved allogen hæmatopoietisk celletransplantation (allo-HCT) end de traditionelle statistiske metoder, der almindeligvis anvendes til at bestemme, om patienter med myelofibrose bør tilbydes transplantation.
Den nye maskinlæringsmodel (RSF-model) er udviklet af en forskergruppe fra EBMT, det europæiske selskab for blod- og knoglemarvstransplantationer. Modellen har i et nyt studie, publiceret i tidsskriftet Blood, vist sig at være bedre end andre maskinlæringsmetoder til at identificere og stratificere transplantationsrisiko hos patienter med myelofibrose.
”Selvom der er udviklet mange modeller til at identificere patienter med højrisiko myelofibrose, mangler vi fortsat værktøjer til at bestemme risikoen ved transplantation for disse patienter. Vores prognostiske værktøj identificerer omfattende og effektivt højrisiko myelofibrosepatienter, der har stor risiko for død efter at have gennemgået en transplantation. Det muliggør bedre strategisk planlægning, og det kan potentielt forbedre outcomes, udtaler Juan Carlos Hernández-Boluda, hæmatolog ved Hospital Clínico i Valencia i Spanien i en pressemeddelelse udgivet af American Society of Hematology (ASH).
Han er leder af udvalget for myeloproliferative neoplasmer i EBMT’s arbejdsgruppe for kroniske maligniteter samt én af studiets hovedforfattere.
Der findes en række godkendte medicinske behandlinger til myelofibrose, men den eneste kurative strategi er for nuværende transplantation.
Finder højrisikogruppe
Studiet inkluderede data fra 5.183 patienter med myelofibrose fra 288 EBMT-registrerede centre, der havde undergået deres første allo-HCT i perioden fra 2005 til 2020. RSF-modellen blev trænet på 3.887 af disse cases, mens de resterende 1.296 cases blev brugt til at validere den. Median opfølgning og samlet overlevelse (OS) i trænings-kohorten var henholdsvis 58,2 og 79,4 måneder. I validerings-kohorten var median follow-up 60,0 måneder og median OS var 73,7 måneder.
Resultaterne viser, at RSF-modellen havde en forbedret evne til at prædiktere såvel samlet overlevelse (OS) som ikke-relaps mortalitet sammenlignet med tre alternative maskinlæringsmetoder. RSF-modellen blev af denne grund valgt som primær tilgang i de efterfølgende analyser.
RSF-modellen producerede mere reproducerbare data end de metoder, den blev sammenlignet med, og den udkonkurrererede ydermere disse, hvad angik nøjagtighed. Desuden var RSF-modellen i stand til at finde en subgruppe af højrisiko myelofibrosepatienter, som har 40 procents risiko for at dø inden for et år efter allo-HCT. Subgruppen omfatter 25 procent af patienter med myelofibrose.
Open-source værktøj
På baggrund af RSF-modellen har forskerne udviklet et open-source webbaseret værktøj, som kan bruges af klinikere til at prædiktere forventet OS efter allo-HCT baseret på ti centrale patientkarakteristika, herunder alder, performancestatus, komorbiditet, hæmatologiske parametre, donortype, konditioneringsintensitet og GVHD-sygdomsprofylakse.
Forfatterne påpeger, at der er en række begrænsninger ved studiets design. For eksempel mangler der data om flere variable, såsom graden af knoglemarvsfibrose og forekomst af somatiske mutationer på tidspunktet for transplantation. Fremadrettet ønsker forskerne at indsamle real-world evidence (RWE) med det formål at optimere RSF-modellens anvendelighed og nøjagtighed.
