Forscher des Winship Cancer Research Institute (Emory University, Atlanta) und des University of Pennsylvania Cancer Center haben die erste Plattform entwickelt, die Ärzten dabei hilft, Daten auf der Grundlage klinischer Studien auszuwählen und die Patienten auszuwählen, die am wahrscheinlichsten von der Behandlung profitieren. Dieses Tool, das künstliche Intelligenz (KI) nutzt, hat bereits gezeigt, dass die Homogenität der in den Studien rekrutierten Patienten es nicht ermöglicht, die veröffentlichten Ergebnisse der gekreuzten Patienten im wirklichen Leben zu kopieren. Es ist jedoch möglich, diesen Unterschied zu korrigieren, um dem Behandler eine genauere Prognose zu geben.
In einem Artikel veröffentlicht in Naturmedizinerklärt das kleine Forschungsteam unter der Leitung des Onkologen Ravi Parikh und des Professors für Biostatistik und Informatik Qi Long, wie sie ein Modell für maschinelles Lernen entwickelt und trainiert haben maschinelles Lernen) jetzt als Open Source verfügbar.
Dr. Parikh und sein Team hatten zuvor TrialTranslator entwickelt, eine KI, die in der Lage ist, Ergebnisse klinischer Studien für die breite Öffentlichkeit zu „übersetzen“. Mit dieser neuen Arbeit replizierten sie virtuell 11 entscheidende klinische Studien in den Indikationen nichtkleinzelliger Lungenkrebs und metastasierender Brust-, Prostata- und Dickdarmkrebs und verwendeten dabei Daten von Patienten im wirklichen Leben. Anhand der erzielten Ergebnisse war es möglich, die Kategorien von Patienten zu definieren, die gute Kandidaten wären.
Ein schuldhafter Mangel an Heterogenität
Weniger als 10 % der Patienten nehmen an einer klinischen Studie teil, was bei weitem nicht repräsentativ für das Ganze ist. „Im wirklichen Leben gekreuzte Patienten sind heterogener als in Studien. Selbst wenn die Ergebnisse einer randomisierten Studie positiv sind, gibt es Kategorien von Patienten, bei denen eine neue Behandlung nicht wirkt. fügt Dr. Parikh hinzu. Mit diesem Tool können Patienten und ihre Ärzte erkennen, ob die Ergebnisse einer Phase-3-Studie auf sie anwendbar sind oder nicht. »
Die wichtigste Beobachtung der Forscher ist, dass Patienten mit einem Phänotyp mit niedrigem oder mittlerem Risiko in ihrer Simulation den gleichen mit Behandlungen verbundenen Überlebensgewinn wie die Teilnehmer der Phase-3-Studien haben, diejenigen mit einem Phänotyp mit hohem Risiko jedoch einen deutlich geringeren Überleben. Diese Ergebnisse legen nahe, dass KI unter realen Patienten Gruppen identifizieren könnte, für die die Ergebnisse klinischer Studien nicht verallgemeinerbar sind. „Mehr noch als die Einschlusskriterien ist die Prognose des Patienten der beste Prädiktor für das Überleben des Patienten und den zu erwartenden Nutzen der Behandlung.“schreiben die Autoren.
Diese stehen im Einklang mit der Position der American Society of Clinical Oncology, die eine bessere Vertretung von Hochrisikopatienten in klinischen Studien empfiehlt.
