| Popis: |
Introduction L’intelligence artificielle et notamment le machine learning apparaissent de plus en plus comme des outils pouvant avoir un interet en medecine. Nous presentons ici un exemple d’utilisation du machine learning pour evaluer la reponse potentielle a un traitement par anti-PD1 pour les patients avec un melanome stade IIIc ou IV, dans le cadre d’un projet de recherche au CHU de Nantes. Materiel et methodes La base de donnees nationale RIC-Mel (reseau pour la Recherche et l’Investigation Clinique sur le Melanome) etait utilisee comme source de donnees originelle. Les traitements par anti-PD1 prescrits au CHU de Nantes etaient extraits de cette base (289 traitements). Pour chaque traitement, on associait : – Les donnees cliniques du patients : âge, sexe, indice de Breslow, type de melanome, ulceration, melanome regressif, index mitotique, nombre de ganglions atteints, presence d’effraction capsulaire, mutations, stade au debut du traitement, stades precedents, nombre et types de metastases, traitements precedents (types et reponses), delai entre l’exerese du primitif et l’apparition de metastases. – La reponse au traitement parmi quatre possibilites : progression, stabilite, reponse partielle, reponse complete. Cet ensemble de traitements etait separe en deux parties : 80 % des traitements etaient utilises comme base d’apprentissage, les 20 % restants comme base de test. Un algorithme de machine learning, XGBoost, etait utilise pour apprendre sur la base d’apprentissage. La performance de l’algorithme etait evaluee, sur la base de test, par le pourcentage de traitements correctement classifies dans deux classes, 1re classe : reponse complete, reponse partielle et stabilite, 2e classe : progression. Resultats La reponse au traitement predite par le modele etait correcte dans 65 % des cas. Les variables les plus utilisees par l’algorithme pour la prediction ont ete : l’âge, l’indice de Breslow, le delai entre l’exerese du primitif et l’apparition de metastases et le nombre de metastases ( Fig. 1 ). Discussion Ce modele montre l’utilisation possible de l’intelligence artificielle pour la recherche sur le melanome et eventuellement l’aide a la decision therapeutique. La performance peut etre amelioree en augmentant le volume de donnees cliniques (donnees RIC-Mel IDGO associees a celles du centre de Nantes). D’autres algorithmes qu’XGBoost pourraient aussi etre testes. Cette methode peut egalement etre utilisee pour evaluer les risques de recidive chez des patients traites par immunotherapie ainsi que les risques de toxicite et s’appliquer aux autres traitements du melanome de stade IV. Conclusion Nous presentons ici le principe de fonctionnement du machine learning a partir d’un exemple d’utilisation possible dans la recherche sur le melanome. |
Full Text from ScienceDirect