Ein maschinelles Lernmodell, das klinische und genomische Faktoren integriert, hat Modelle, die ausschließlich auf klinischen oder genomischen Daten basieren, in der Vorhersage übertroffen, welche Patienten mit hormonrezeptor-positivem, HER2-negativem metastasiertem Brustkrebs von der Hinzufügung von CDK4/6-Inhibitoren zur Erstlinientherapie profitieren werden, so die Ergebnisse, die beim San Antonio Breast Cancer Symposium 2024 (SABCS; Abstract GS3-09) präsentiert wurden.
Pedram Razavi, MD, PhD, wissenschaftlicher Direktor des globalen Forschungsprogramms am Memorial Sloan Kettering Cancer Center (MSK) und Präsentator der Studie, hob die Variabilität der Reaktionen auf CDK4/6-Inhibitoren bei Patienten hervor. Während der Einsatz dieser Inhibitoren die Ergebnisse erheblich verbessert hat, entwickeln einige Patienten mit der Zeit eine Resistenz, und andere ziehen keinen Nutzen daraus.
„Es besteht ein dringender Bedarf, Patienten zu identifizieren, die möglicherweise von der Hinzufügung von CDK4/6-Inhibitoren zum Zeitpunkt der metastatischen Diagnose profitieren könnten“, sagte Dr. Razavi. „Eine genauere Vorhersage der Ergebnisse könnte einigen Patienten helfen, unnötige Nebenwirkungen und finanzielle Belastungen durch intensivierte Anfangsansätze zu vermeiden.“
Die Studie verwendete OncoCast-MPM, ein maschinelles Lernwerkzeug, das am MSK entwickelt wurde, um drei Modelle zur Vorhersage des progressionsfreien Überlebens mit CDK4/6-Inhibitoren zu erstellen: eines basierend auf klinisch-pathologischen Merkmalen, ein weiteres auf genomischen Merkmalen und ein integriertes Modell, das beides kombiniert. Diese Modelle wurden an einer Kohorte von 761 Patienten trainiert, die eine Erstlinientherapie mit CDK4/6-Inhibitoren erhielten.
Das integrierte Modell identifizierte vier Risikogruppen, mit einer medianen progressionsfreien Überlebenszeit von 5,3 Monaten in der Hochrisikogruppe und 29 Monaten in der Niedrigrisikogruppe. Bemerkenswert ist, dass der Risikofaktor zwischen Hoch- und Niedrigrisikogruppen im integrierten Modell signifikant höher war, was auf eine überlegene Patienteneinstufung hinweist.
„Die drei Modelle haben außergewöhnlich gut abgeschnitten und die konventionellen klinischen Risikomodelle übertroffen“, sagte Dr. Razavi. „Die Analyse wurde leistungsfähiger, als wir begannen, klinische und genomische Merkmale zu kombinieren.“
Zu den Einschränkungen der Studie gehören ihr Design an einer einzigen Institution und mögliche Verzerrungen. Um diese zu adressieren, validieren Dr. Razavi und sein Team das Modell mit externen Datensätzen und planen, ein Online-Tool zu entwickeln, mit dem Kliniker klinische und genomische Daten eingeben können, um personalisierte Ergebnisvorhersagen zu erhalten.