Prospektive Beobachtungsstudie zum diffusen großzelligen B-Lymphom (LBDGCréfract)

Die primäre refraktäre Erkrankung betrifft etwa 30–40 % der mit DLBCL diagnostizierten Patienten und stellt aufgrund ihrer schlechten Prognose eine Herausforderung bei der Behandlung dieser Erkrankung dar. Die Vorhersage des Refraktärstatus könnte bei der Behandlungsstrategie sehr nützlich sein und ein frühzeitiges Eingreifen ermöglichen. Tatsächlich stehen mittlerweile je nach Patienten- und Krankheitsmerkmalen mehrere Optionen zur Verfügung, wie z. B. Salvage-Chemotherapie und autologe HSCT, gezielte Therapien oder CAR-T-Zelltherapie. Überwachte Techniken des maschinellen Lernens sind in der Lage, Ergebnisse im medizinischen Kontext vorherzusagen und scheinen daher für diesen Zweck sehr geeignet zu sein.

Unser Ansatz mit maschinellem Lernen erscheint besonders interessant, da es derzeit keine statistischen Modelle gibt, die effizient genug sind, um Klinikern Entscheidungsunterstützung zu bieten. Wir zeigen daher in einer früheren Studie, dass Algorithmen bei der Vorhersage des Refraktärstatus der Krankheit anhand strukturierter Daten aus der Krankenakte des Patienten wirksam sein können. Aufgrund der großen Anzahl verfügbarer und wirksamer Salvation-Therapien scheint ein schnelles Eingreifen in den Therapieverlauf des Patienten die richtige Option und der individuellste Weg zu sein, um die Heilungschancen zu maximieren und gleichzeitig die Toxizität zu verringern. Basierend auf der klinischen Beurteilung der Ärzte und den besten Vorhersagen der Algorithmen könnte der Arzt eine frühe Behandlungsstrategie für primär refraktäres DLBCL wählen.

In einer früheren Studie haben wir zwei interessante Modelle (NBC und XGBoost) zur Vorhersage refraktärer Erkrankungen im Validierungssatz gefunden. Die Anwendung maschineller Lerntechniken kann erheblich zur Behandlung von DLBCL-Patienten beitragen. Diese Algorithmen haben das Potenzial, Ärzten dabei zu helfen, fundierte Entscheidungen über Behandlungsstrategien zu treffen und so die Personalisierung von Therapien auf der Grundlage jedes einzelnen Patienten zu ermöglichen. Um diese Ergebnisse auf breiterer Ebene zu validieren, könnte diese Studie die Ergebnisse in einer prospektiven Kohorte und den Wert dieser Technologie bei der komplexen Behandlung primär refraktärer Erkrankungen bei DLBCL-Patienten bestätigen.