Prospektivní observační studie difuzního velkobuněčného B lymfomu (LBDGCréfract)

Primární refrakterní onemocnění postihuje přibližně 30–40 % pacientů s diagnózou DLBCL a vzhledem k jeho špatné prognóze představuje výzvu v léčbě tohoto onemocnění. Predikce refrakterního stavu by mohla být velmi užitečná v léčebné strategii umožňující včasnou intervenci. Nyní je skutečně dostupných několik možností v závislosti na charakteristikách pacienta a onemocnění, jako je záchranná chemoterapie a autologní HSCT, cílené terapie nebo terapie CAR T-buňkami. Techniky strojového učení pod dohledem jsou schopny předvídat výsledky v lékařském kontextu, a proto se zdají být pro tuto záležitost velmi vhodné.

Náš přístup se strojovým učením se zdá být obzvláště zajímavý, protože v současné době neexistují žádné statistické modely dostatečně účinné, aby poskytovaly lékařům podporu při rozhodování. V předchozí studii jsme proto ukázali, že algoritmy mohou být účinné při predikci refrakterního stavu onemocnění ze strukturovaných dat ze zdravotního záznamu pacienta. Vzhledem k velkému počtu dostupných a účinných záchranných terapií se rychlý zásah do pacientovy terapeutické cesty jeví jako správná volba a nejvíce personalizovaný způsob, jak maximalizovat šance na vyléčení a zároveň snížit toxicitu. Na základě klinického úsudku lékařů a předpovědí nejlepších algoritmů mohl lékař zvolit strategii časné léčby primární refrakterní DLBCL.

V předchozí studii jsme našli dva zajímavé modely (NBC a XGBoost) pro predikci refrakterního onemocnění na validační sadě. Aplikace technik strojového učení může významně přispět k managementu pacientů s DLBCL. Tyto algoritmy mají potenciál pomáhat lékařům při přijímání informovaných rozhodnutí týkajících se léčebných strategií, což umožňuje personalizaci terapií na základě každého pacienta. K ověření těchto zjištění v širším měřítku by tato studie mohla potvrdit výsledky v prospektivní kohortě a hodnotu této technologie ve složité léčbě primárního refrakterního onemocnění u pacientů s DLBCL.