Skip to Main content Skip to Navigation
Master Thesis

Prédiction de l’efficacité de l’immunothérapie dans le cancer bronchique à partir de données cliniques et biologiques simples : apport de l’intelligence artificielle

Résumé : Introduction : malgré la place grandissante des inhibiteurs de checkpoint immunitaire (ICI) dans le cancer bronchique non à petites cellules (CBNPC), le taux de réponse est faible et il existe un risque de toxicités spécifiques. En déterminer des facteurs prédictifs de réponse est essentiel et pouvoir le faire à partir de données facilement accessibles au clinicien serait une aide précieuse. L’objectif de cette étude a été de développer, grâce à l’intelligence artificielle, un outil de sélection des patients qui pourraient tirer bénéfice d’un traitement par ICIs à partir de caractéristiques cliniques et biologiques simples. Méthode : il s’agit d’une étude de cohorte observationnelle, rétrospective de patients souffrant de CBNPC, ayant reçu au moins un cycle d’ICI entre 2013 et 2017. Les caractéristiques démographiques, cliniques, hématologiques, thérapeutiques et évolutives étaient étudiées. Les données clinico-biologiques ont été associées au taux de réponse objective (TRO) et au taux de contrôle de la maladie (TCM) par régression logistique, et à la survie (survie sans progression (SSP) et survie globale (SG)) par modèle de Cox. Deux modèles mathématiques de machine learning (régression logistique, random forest) ont été appliqués pour prédire la réponse. Résultats : parmi les 350 patients inclus dans cette cohorte, l’âge médian était de 62 ans, 66% étaient des hommes. 26% avaient un performance status (PS) ≥ 2. Le TRO était de 16%, le TCM était de 53%, la SSP médiane était de 3.5 mois et la SG médiane était de 13.4 mois. Pour le TCM, en analyse multivariée, il avait une corrélation significative avec le PS ≥ 2, le rapport neutrophiles / lymphocytes (NLR), et l’hémoglobine (respectivement OR à 0.32, p<0.0001; 0.85, p=0.0375 et 1.35, p<0.0001). A partir de ces données, les algorithmes de « Machine Learning » ont montré une capacité prédictive de TCR satisfaisante (Précision 0.67, Sensibilité 0.76 ; Spécificité 0.57 ; valeur prédictive positive 0.66 ; valeur prédictive négative 0.68; AUC 0.704). Conclusion : grâce à l’IA, la combinaison de caractéristiques cliniques et hématologiques basiques pourrait conduire à une prédiction de l’efficacité des ICIs à l’échelle individuelle, et ainsi intégrer le processus de décision thérapeutique à l’heure de la médecine de précision. L’algorithme développé ici nécessitera d’être complété avant d’être validé dans une cohorte indépendante de patients.
Complete list of metadata

Cited literature [110 references]  Display  Hide  Download

https://dumas.ccsd.cnrs.fr/dumas-02399973
Contributor : Faculté de Médecine Amu <>
Submitted on : Monday, December 9, 2019 - 12:20:00 PM
Last modification on : Wednesday, October 14, 2020 - 3:49:35 AM
Long-term archiving on: : Tuesday, March 10, 2020 - 7:29:22 PM

File

GRANGEON thèse .pdf
Files produced by the author(s)

Identifiers

  • HAL Id : dumas-02399973, version 1

Collections

Citation

Mathieu Grangeon. Prédiction de l’efficacité de l’immunothérapie dans le cancer bronchique à partir de données cliniques et biologiques simples : apport de l’intelligence artificielle. Sciences du Vivant [q-bio]. 2019. ⟨dumas-02399973⟩

Share

Metrics

Record views

78

Files downloads

223