Модель машинного обучения, которая включает клинические и геномные факторы, превзошла модели, основанные исключительно на клинических или геномных данных, в предсказании того, какие пациенты с метастатическим раком молочной железы, положительным по гормональным рецепторам и отрицательным по HER2, получат пользу от добавления ингибиторов CDK4/6 к первой линии эндокринной терапии, согласно результатам, представленным на Симпозиуме по раку молочной железы в Сан-Антонио 2024 года (SABCS; Резюме GS3-09).
Педрам Разави, доктор медицины, PhD, научный директор глобальной исследовательской программы в Мемориальном центре Слоуна-Кеттеринга (MSK) и презентатор исследования, отметил изменчивость ответов на ингибиторы CDK4/6 среди пациентов. Хотя использование этих ингибиторов значительно улучшило результаты, у некоторых пациентов со временем развивается резистентность, а другие не получают никакой пользы.
«Существует критическая необходимость в том, чтобы идентифицировать пациентов, которые могут или не могут получить пользу от добавления ингибиторов CDK4/6 на момент метастатического диагноза», - сказал доктор Разави. «Более точное предсказание результатов могло бы помочь некоторым пациентам избежать ненужных побочных эффектов и финансовой токсичности, связанных с усиленными начальными подходами».
Исследование использовало OncoCast-MPM, инструмент машинного обучения, разработанный в MSK, для создания трех моделей, предсказывающих безрецидивную выживаемость с ингибиторами CDK4/6: одна основана на клиническо-патологических характеристиках, другая на геномных характеристиках и интегрированная модель, сочетающая оба подхода. Эти модели были обучены на когорте из 761 пациента, получившего первую линию эндокринной терапии с ингибиторами CDK4/6.
Интегрированная модель идентифицировала четыре группы риска, с медианой безрецидивной выживаемости 5,3 месяца в группе высокого риска и 29 месяцев в группе низкого риска. Примечательно, что индекс риска между высокорисковыми и низкорисковыми группами был значительно выше в интегрированной модели, что указывает на более высокую степень стратификации пациентов.
«Все три модели показали отличные результаты, превзойдя традиционные клинические рисковые модели», - отметил доктор Разави. «Сила анализа проявилась, когда мы начали комбинировать клинические и геномные характеристики».
Ограничения этого исследования включают его односторонний дизайн и возможные предвзятости. Чтобы справиться с этими проблемами, доктор Разави и его команда валидируют модель с использованием внешних наборов данных и стремятся разработать онлайн-инструмент, позволяющий врачам вводить клинические и геномные данные для получения персонализированных прогнозов результатов.