Prospektywne badanie obserwacyjne rozlanego chłoniaka wielkokomórkowego B (LBDGCréfract)

Pierwotna choroba oporna na leczenie dotyka około 30–40% pacjentów ze zdiagnozowanym DLBCL i stanowi wyzwanie w leczeniu tej choroby ze względu na jej złe rokowanie. Przewidywanie stanu oporności na leczenie może być bardzo przydatne w strategii leczenia umożliwiającej wczesną interwencję. Rzeczywiście dostępnych jest obecnie kilka opcji w zależności od charakterystyki pacjenta i choroby, takich jak chemioterapia ratunkowa i autologiczny HSCT, terapie celowane lub terapia komórkami T CAR. Techniki nadzorowanego uczenia maszynowego są w stanie przewidzieć wyniki w kontekście medycznym i dlatego wydają się bardzo odpowiednie w tym przypadku.

Nasze podejście do uczenia maszynowego wydaje się szczególnie interesujące, ponieważ obecnie nie ma wystarczająco wydajnych modeli statystycznych, które zapewniałyby lekarzom wsparcie w podejmowaniu decyzji. Dlatego w poprzednim badaniu wykazaliśmy, że algorytmy mogą być skuteczne w przewidywaniu stanu oporności choroby na podstawie ustrukturyzowanych danych z dokumentacji medycznej pacjenta. Ze względu na dużą liczbę dostępnych i skutecznych terapii ratunkowych szybka interwencja na ścieżce terapeutycznej pacjenta wydaje się właściwą opcją i najbardziej spersonalizowanym sposobem maksymalizacji szans na wyleczenie przy jednoczesnym zmniejszeniu ryzyka toksyczności. Na podstawie oceny klinicznej lekarzy i przewidywań najlepszych algorytmów lekarz mógł wybrać wczesną strategię leczenia pierwotnej opornej na leczenie DLBCL.

W poprzednim badaniu znaleźliśmy dwa interesujące modele (NBC i XGBoost) umożliwiające przewidywanie choroby opornej na leczenie na zestawie walidacyjnym. Zastosowanie technik uczenia maszynowego może znacząco przyczynić się do leczenia pacjentów z DLBCL. Algorytmy te mogą pomóc klinicystom w podejmowaniu świadomych decyzji dotyczących strategii leczenia, umożliwiając personalizację terapii w oparciu o każdego pacjenta. Aby zweryfikować te ustalenia na szerszą skalę, badanie to może potwierdzić wyniki w prospektywnej kohorcie oraz wartość tej technologii w skomplikowanym leczeniu pierwotnej choroby opornej na leczenie u pacjentów z DLBCL.