Prospectieve observationele studie van diffuus grootcellig B-lymfoom (LBDGCréfract)

Primaire refractaire ziekte treft ongeveer 30-40% van de patiënten met de diagnose DLBCL en vormt een uitdaging bij de behandeling van deze ziekte vanwege de slechte prognose. De voorspelling van de refractaire status zou zeer nuttig kunnen zijn in de behandelstrategie die vroegtijdige interventie mogelijk maakt. Er zijn nu verschillende opties beschikbaar, afhankelijk van de patiënt- en ziektekenmerken, zoals salvage-chemotherapie en autologe HSCT, gerichte therapieën of CAR T-celtherapie. Machine learning-technieken onder toezicht zijn in staat uitkomsten in een medische context te voorspellen en lijken daarom zeer geschikt voor deze materie.

Onze aanpak met machinaal leren lijkt bijzonder interessant omdat er momenteel geen statistische modellen bestaan ​​die efficiënt genoeg zijn om besluitvormingsondersteuning aan artsen te bieden. We laten daarom in een eerdere studie zien dat algoritmen effectief kunnen zijn in het voorspellen van de refractaire status van de ziekte op basis van gestructureerde gegevens uit het medisch dossier van de patiënt. Vanwege het grote aantal beschikbare en effectieve reddingstherapieën lijkt snel ingrijpen in het therapeutische traject van de patiënt de juiste optie en de meest gepersonaliseerde manier om de kansen op genezing te maximaliseren en tegelijkertijd de kansen op toxiciteit te verminderen. Op basis van het klinische oordeel van artsen en de beste algoritmevoorspellingen zou de arts een vroege behandelingsstrategie voor primaire refractaire DLBCL kunnen kiezen.

We vonden in een eerdere studie twee interessante modellen (NBC en XGBoost) voor het voorspellen van refractaire ziekten op de validatieset. De toepassing van machine learning-technieken kan een aanzienlijke bijdrage leveren aan de behandeling van DLBCL-patiënten. Deze algoritmen hebben het potentieel om artsen te helpen bij het nemen van weloverwogen beslissingen over behandelstrategieën, waardoor de personalisatie van therapieën op basis van elke patiënt mogelijk wordt. Om deze bevindingen op bredere schaal te valideren, zou deze studie de resultaten in een prospectief cohort en de waarde van deze technologie bij de ingewikkelde behandeling van primaire refractaire ziekten bij DLBCL-patiënten kunnen bevestigen.