AI-model Voorspelt Immunotherapie-succes, Verkort Kankerbehandelingstijd

Het nieuwe machine learning-model kan de tijd tot behandeling reduceren door snel te identificeren welke patiënten het meest waarschijnlijk reageren op ICB in plaats van de huidige trial-and-error-methode.

Onderzoekers van de Technische Universiteit Eindhoven wenden zich tot machine learning om beter te voorspellen of een bepaalde immunotherapie kankerpatiënten zal helpen. Het model in het recentste papier toont belofte en presteert zelfs beter dan traditionele klinische benaderingen tot nu toe.

Immunotherapie benutten in de kankerstrijd

Tumorcellen schuilen voor de natuurlijke afweer van het lichaam, wat kanker bekentelijk moeilijk te targeten en te behandelen maakt. Tumorcellen blokkeren de natuurlijke immuunrespons, maar immunotherapie kan hem voor sommige patiënten weer wakker maken. Het probleem is vroegtijdig te ontdekken welke patiënten het meest waarschijnlijk zullen reageren.

Één dergelijke therapie, immune checkpoint blockers (ICB), vertelt immuuncellen om eventuele shutdown-orders te negeren die kankercellen uitgeven die proberen te schuilen. Hoewel het een revolutionaire ontdekking is, reageert slechts ongeveer een derde van de kankerpatiënten op de behandeling.

Het nieuwe machine learning-model kan de tijd tot behandeling reduceren door snel te identificeren welke patiënten het meest waarschijnlijk reageren op ICB in plaats van de huidige trial-and-error-methode. Dit model kan ook helpen ervoor te zorgen dat patiënten die waarschijnlijk niet zullen reageren, tijdige behandelingen ontvangen. Het model kan ook onthullen waarom die andere twee derde van de patiënten niet reageren.

Zie ook: AI Kon Een Nieuw Tijdperk van Klinische Proeven Ontgrendelen

Hoe het machine learning-model werkt

Machine learning verkent biomarkers van tumoren van patiëntmonsters. Het verkent hoe deze markers communiceren met andere cellen waardoor een respons op ICB of het afwijzen ervan ontstaat. Daarvanuit kan de machine leren van patiëntmonsters om te identificeren welke toekomstige patiënten dezelfde biomarkers dragen die ICB-succes aangeven.

Het gebruik van machine learning is geen nieuwe methode, maar onderzoekers voegden een klein trucje toe om een persistent data-toegangsprobleem op te lossen. Hoewel RNA-sequencing datasets wijd beschikbaar zijn, zijn die specifiek voor de kankerrespons beperkt. Onderzoekers gebruikten verschillende substitutie-immuunresponsen. Samen konden ze een positieve ICB-respons aangeven.

Toegetest tegen huidige biomarker-detectie, presteerde het model beter. Het kan ook nuttig zijn voor het identificeren welke markers het meest belangrijk zijn in het verkrijgen van de gewenste immuunrespons. Het is nog een stap in het leveren van gepersonaliseerde geneeskunde in partnerschap met dokters en gezondheidszorgprofessionals.