Étude observationnelle prospective du lymphome B diffus à grandes cellules (LBDGCréfract)

La maladie primaire réfractaire touche environ 30 à 40 % des patients diagnostiqués avec un DLBCL et constitue un défi dans la prise en charge de cette maladie en raison de son mauvais pronostic. La prédiction du statut réfractaire pourrait être très utile dans la stratégie thérapeutique permettant une intervention précoce. En effet, plusieurs options sont désormais disponibles en fonction des caractéristiques du patient et de la maladie, telles que la chimiothérapie de sauvetage et la HSCT autologue, les thérapies ciblées ou la thérapie cellulaire CAR T. Les techniques d’apprentissage automatique supervisé sont capables de prédire les résultats dans un contexte médical et semblent donc très adaptées à cette problématique.

Notre approche avec le machine learning semble particulièrement intéressante car il n’existe actuellement aucun modèle statistique suffisamment efficace pour fournir une aide à la décision aux cliniciens. Nous montrons donc dans une précédente étude que les algorithmes peuvent être efficaces pour prédire le statut réfractaire de la maladie à partir de données structurées issues du dossier médical du patient. En raison du grand nombre de thérapies de sauvetage disponibles et efficaces, intervenir rapidement dans le parcours thérapeutique du patient semble être la bonne option et la manière la plus personnalisée de maximiser les chances de guérison tout en réduisant celles de toxicité. Sur la base du jugement clinique des médecins et des meilleures prédictions des algorithmes, le médecin pourrait choisir une stratégie de traitement précoce pour le DLBCL réfractaire primaire.

Nous avons trouvé dans une étude précédente deux modèles intéressants (NBC et XGBoost) pour prédire les maladies réfractaires sur l'ensemble de validation. L'application de techniques d'apprentissage automatique peut contribuer de manière significative à la prise en charge des patients DLBCL. Ces algorithmes ont le potentiel d'aider les cliniciens à prendre des décisions éclairées concernant les stratégies de traitement, permettant ainsi la personnalisation des thérapies en fonction de chaque patient. Pour valider ces résultats à une échelle plus large, cette étude pourrait confirmer les résultats d'une cohorte prospective et la valeur de cette technologie dans la prise en charge complexe de la maladie primaire réfractaire chez les patients DLBCL.