Studio osservazionale prospettico sul linfoma B diffuso a grandi cellule (LBDGCréfract)

La malattia refrattaria primaria colpisce circa il 30-40% dei pazienti con diagnosi di DLBCL e rappresenta una sfida nella gestione di questa malattia a causa della sua prognosi sfavorevole. La previsione dello stato refrattario potrebbe essere molto utile nella strategia di trattamento consentendo un intervento precoce. Infatti, sono ora disponibili diverse opzioni a seconda delle caratteristiche del paziente e della malattia, come la chemioterapia di salvataggio e il trapianto autologo di cellule T, terapie mirate o terapia con cellule CAR T. Le tecniche di machine learning supervisionato sono in grado di prevedere i risultati in un contesto medico e quindi sembrano molto adatte a questa materia.

Il nostro approccio con l’apprendimento automatico sembra particolarmente interessante perché attualmente non esistono modelli statistici sufficientemente efficienti per fornire supporto decisionale ai medici. Mostriamo quindi in uno studio precedente che gli algoritmi possono essere efficaci nel prevedere lo stato refrattario della malattia da dati strutturati provenienti dalla cartella clinica del paziente. A causa dell'elevato numero di terapie di salvataggio disponibili ed efficaci, intervenire rapidamente nel percorso terapeutico del paziente sembra essere l'opzione giusta e il modo più personalizzato per massimizzare le possibilità di cura riducendo quelle di tossicità. Sulla base del giudizio clinico dei medici e delle migliori previsioni degli algoritmi, il medico può scegliere una strategia di trattamento precoce per il DLBCL refrattario primario.

Abbiamo trovato in uno studio precedente due modelli interessanti (NBC e XGBoost) per prevedere la malattia refrattaria sul set di validazione. L’applicazione di tecniche di machine learning può contribuire in modo significativo alla gestione dei pazienti DLBCL. Questi algoritmi hanno il potenziale per aiutare i medici a prendere decisioni informate riguardo alle strategie di trattamento, consentendo la personalizzazione delle terapie in base a ciascun paziente. Per convalidare questi risultati su scala più ampia, questo studio potrebbe confermare i risultati in una coorte prospettica e il valore di questa tecnologia nella complessa gestione della malattia refrattaria primaria nei pazienti con DLBCL.