Machine learning-model voorspelt effectiviteit van therapie

Onderzoekers van de Technische Universiteit Eindhoven maken gebruik van machine learning om beter te voorspellen of een bepaalde immunotherapie kankerpatiënten zal helpen. Het model in de laatste paper is veelbelovend en presteert tot nu toe zelfs beter dan de traditionele klinische benaderingen.

Gebruikmaken van immunotherapie in de strijd tegen kanker

Tumorcellen verbergen zich voor de natuurlijke afweer van het lichaam, waardoor kanker notoir moeilijk te bestrijden en te behandelen is. Tumorcellen blokkeren de natuurlijke immuunrespons van het lichaam, maar immunotherapie kan het bij sommige patiënten weer wakker maken. Het probleem is om in een vroeg stadium te ontdekken welke patiënten het meest waarschijnlijk reageren.

Een van die therapieën, immuuncheckpointblokkers (ICB), vertelt immuuncellen om alle stopzettingsbevelen te negeren die zijn uitgevaardigd door kankercellen die zich proberen te verbergen. Hoewel het een revolutionaire ontdekking is, reageert slechts ongeveer een derde van de kankerpatiënten op de behandeling.

Het nieuwe machine learning-model zou de tijd tot behandeling kunnen verkorten door snel te identificeren welke patiënten het meest waarschijnlijk reageren op ICB in plaats van de huidige trial-and-error-methode. Dit model kan er ook voor zorgen dat patiënten die waarschijnlijk niet zullen reageren, in plaats daarvan tijdige behandelingen krijgen. Het model kan ook precies ontdekken waarom die andere tweederde van de patiënten niet reageert.

Zie ook: AI kan een nieuw tijdperk van klinische proeven ontsluiten

Hoe het machine learning-model werkt

Machine learning onderzoekt biomarkers van tumoren uit patiëntmonsters. Het onderzoekt hoe deze markers communiceren met andere cellen die een reactie op ICB veroorzaken of deze afwijzen. Van daaruit kan de machine leren van patiëntmonsters om te identificeren welke toekomstige patiënten dezelfde biomarkers dragen die wijzen op ICB-succes.

Het gebruik van machine learning is geen nieuwe methode, maar onderzoekers hebben een kleine truc toegevoegd om een ​​hardnekkig probleem met gegevenstoegang te ontrafelen. Hoewel datasets voor RNA-sequencing algemeen beschikbaar zijn, zijn die die specifiek zijn voor de kankerrespons beperkt. Onderzoekers gebruikten verschillende vervangende immuunresponsen. Samen zouden ze een positieve ICB-reactie kunnen aangeven.

Bij testen tegen de huidige detectie van biomarkers presteerde het model beter. Het kan ook nuttig zijn om te identificeren welke markers het belangrijkst zijn bij het verkrijgen van de gewenste immuunrespons. Het is een nieuwe stap in het leveren van gepersonaliseerde geneeskunde in samenwerking met artsen en zorgprofessionals.