Multimodal algoritme forudsiger effekt af CDK-4/6-hæmmere på ER+ HER2-negativ brystkræft

SABCS:  En maskinlæringsalgoritme baseret på flere risikomodeller stratificerer med stor præcision patienter i lav, mellem og høj risiko for behandlingssvigt ved behandling med CDK4/6-hæmmere og endokrin terapi.

Det viser et nyt studie præsenteret på San Antonio Breast Cancer Symposium (SABCS) 2024 (abstract #GS3-09).

Ved at kombinere kliniske og genomiske data demonstrerede en maskinlæringsmodel forbedret præcision i forudsigelsen af progressionsfri overlevelse (PFS) for patienter med HR+/HER2- metastatisk brystkræft behandlet med CDK4/6-hæmmere som førstelinjebehandling.

Forskerne analyserede data fra 535 patienter, hvoraf 370 indgik i træning og 165 i test. Modellen kombinerede kliniske og genomiske data og viste større præcision sammenlignet med modeller baseret på enten kliniske eller genomiske data alene.

Tre risikogrupper blev identificeret:

• Lav risiko: Median PFS på 31,3 måneder. 
• Mellem risiko: Median PFS på 18,5 måneder. 
• Høj risiko: Median PFS på 7,9 måneder. 

Til sammenligning stratificerede de unimodale modeller følgende risikogrupper : 

• Klinisk model: Lav risiko  (n=221) med PFS på 23,2 måneder (95 % CI: 18,3-28,5) versus høj risiko  (n=149) med PFS på 11,6 måneder (95 % CI: 8,8-13,7).
• Genomisk model: Lav risiko (n=209) med PFS på 28,1 måneder (95 % CI: 21,9-31,7) versus høj risiko  (n=161) med PFS på 9,7 måneder (95 % CI: 8,4-11,9).

Den integrerede model gav en hazard ratio (HR) på 4,2 (95 % CI: 3,0-5,9; p=2,8e-16) mellem lav- og højrisikogrupperne hvilket er markant højere end den kliniske models HR på 1,95 (95 % CI: 1,5-2,5; p=2,6e-7) og den genomiske models HR på 2,4 (95 % CI: 1,9-3,1; p=2,0e-11).

Stort potentiale

Dr. Pedram Razavi, forskningsdirektør ved Memorial Sloan Kettering Cancer Center, understregede betydningen af dette arbejde: 

"There’s a huge need in clinic to identify patients who may or may not benefit from adding CDK4/6 inhibitors. This model has the potential to transform how we stratify and treat patients."   

De mest betydningsfulde parametre i den integrerede risikomodel inkluderede: 

• Tumormutationsbyrde (TMB).
• Andel af ændret genom (FGA).
• TP53-alterationer. Levermetastaser.
• Kort behandlingsfri interval (< 1 år).
• Negativ progesteronreceptor (PR) status.