{"id":16533,"date":"2023-01-16T10:15:34","date_gmt":"2023-01-16T09:15:34","guid":{"rendered":"https:\/\/horizonshemato.com\/?p=16533"},"modified":"2024-01-02T10:36:05","modified_gmt":"2024-01-02T09:36:05","slug":"machine-learning-comment-personnaliser-encore-levaluation-pronostique","status":"publish","type":"post","link":"https:\/\/www.hematostat.net\/en\/machine-learning-comment-personnaliser-encore-levaluation-pronostique\/","title":{"rendered":"Machine learning : comment personnaliser encore l\u2019\u00e9valuation pronostique ?"},"content":{"rendered":"

Le machine learning<\/i> supervis\u00e9 am\u00e9liore la stratification du risque dans les syndromes my\u00e9lodysplasiques nouvellement diagnostiqu\u00e9s : une analyse du groupe espagnol des syndromes my\u00e9lodysplasiques.<\/p>\n

Supervised Machine Learning Improves Risk Stratification in Newly Diagnosed Myelodysplastic Syndromes: An Analysis of the Spanish Group of Myelodysplastic
\nSyndromes.<\/i><\/p>\n

D’apr\u00e8s la communication orale de Adrian Mosquera Orgueira et al<\/i>. Abstract #468, ASH 2022.<\/p>\n

Contexte de l’\u00e9tude<\/h3>\n

L\u2019\u00e9valuation du risque pronostique est essentielle \u00e0 la d\u00e9cision th\u00e9rapeutique dans les syndromes my\u00e9lodysplasiques, et la publication en 2022 de l\u2019IPSS-M marque une \u00e9tape importante dans l\u2019\u00e9volution de la fa\u00e7on d\u2019\u00e9valuer le pronostic en int\u00e9grant les donn\u00e9es mol\u00e9culaires (1)<\/sup>. Parall\u00e8lement, l\u2019utilisation de donn\u00e9es de nombreux malades permet de b\u00e2tir des algorithmes de machine learning,<\/i> o\u00f9 chaque historique de patient nourrit un algorithme de pr\u00e9diction de la survie plus pr\u00e9cis que le simple mod\u00e8le de Cox(2)<\/sup>.\u00a0C\u2019est ce que le groupe espagnol des syndromes my\u00e9lodysplasiques a voulu faire dans ce travail.\u00a0<\/span><\/p>\n

Objectifs de l’\u00e9tude<\/h3>\n

L\u2019objectif \u00e9tait de construire un mod\u00e8le int\u00e9grant des caract\u00e9ristiques cliniques, de l\u2019h\u00e9mogramme, et de cytog\u00e9n\u00e9tique (pas de donn\u00e9es mol\u00e9culaires), avec un algorithme de machine learning<\/i>, et de comparer sa pr\u00e9diction \u00e0 celle de l\u2019IPSS-R (figure 1<\/b>).\u00a0<\/span><\/p>\n

\"\"

Figure 1\u00a0: objectifs de l\u2019\u00e9tude.<\/p><\/div>\n

R\u00e9sultats de l’\u00e9tude<\/h3>\n

Les auteurs ont int\u00e9gr\u00e9 les r\u00e9sultats de 7 202 patients inclus dans un registre regroupant 90 centres entre 2006 et 2022. Les patients \u00e9taient r\u00e9partis en 80% pour la cohorte d\u2019entra\u00eenement et les 20% restants pour la cohorte de validation. Le suivi m\u00e9dian \u00e9tait de 5 ans environ, la survie de 4,4 ans, les scores IPSS-R \u00e9taient Low<\/i> ou Very Low<\/i> dans deux tiers des cas, ce qui est repr\u00e9sentatif d\u2019une population de SMD \u00ab tout venant \u00bb.\u00a0<\/span><\/p>\n

Le pr\u00e9dicteur de machine learning<\/i> a int\u00e9gr\u00e9 8 variables utiles pour la pr\u00e9diction de la survie : l\u2019\u00e2ge, le sexe, la blastose m\u00e9dullaire, le taux d\u2019h\u00e9moglobine, les plaquettes, les leucocytes, le pourcentage de neutrophiles et la cytog\u00e9n\u00e9tique. Les auteurs retrouvaient une capacit\u00e9 de pr\u00e9diction avec ce mod\u00e8le sup\u00e9rieure \u00e0 l\u2019IPSS-R (qui pour m\u00e9moire ne contient pas l\u2019\u00e2ge). Cependant, m\u00eame dans les populations de moins ou de plus de 65 ans, le mod\u00e8le de machine learning <\/i>restait plus performant que l\u2019IPSS-R. Si on regarde la fa\u00e7on dont les patients ont \u00e9t\u00e9 reclassifi\u00e9s, on observe que 60% des patients \u00e9taient reclass\u00e9s dans leurs 5 nouveaux groupes de risque (figure 2<\/b>).\u00a0<\/span><\/p>\n

\"\"

Figure 2\u00a0: reclassification des patients par machine learning<\/em>.<\/p><\/div>\n

La pr\u00e9diction de la survie sans leuc\u00e9mie \u00e9tait aussi plus performante avec les m\u00eames variables, ainsi que la pr\u00e9diction du risque par sous-cat\u00e9gorie diagnostique.\u00a0<\/span><\/p>\n

Quels impacts sur les connaissances et les pratiques cliniques ?<\/h3>\n

En pratique, l\u2019IPSS mol\u00e9culaire va certainement devenir l\u2019outil de choix pour l\u2019h\u00e9matologue. La place d\u2019un algorithme de machine learning<\/i> sans donn\u00e9es mol\u00e9culaires risque d\u2019\u00eatre malais\u00e9 dans les prochains mois.\u00a0<\/span><\/p>\n

La suite logique de ce travail sera certainement la personnalisation de l\u2019\u00e9valuation pronostique incorporant les donn\u00e9es cliniques, biologiques, et mol\u00e9culaires dans un m\u00eame mod\u00e8le. Les auteurs le proposent naturellement d\u2019eux-m\u00eames.\u00a0<\/span><\/p>\n

Critique m\u00e9thodologique<\/h3>\n

Pour calculer un nouveau pr\u00e9dicteur pronostique des patients atteints de syndromes my\u00e9lodysplasiques nouvellement diagnostiqu\u00e9s, les auteurs ont choisi d\u2019utiliser une technique de machine learning<\/i> supervis\u00e9 et plus pr\u00e9cis\u00e9ment le Random Survival Forest <\/i>(RSF).\u00a0<\/span><\/p>\n

Un des int\u00e9r\u00eats de cette m\u00e9thode (voir le focus statistique sur Random Survival Forest et mod\u00e8le de Cox<\/b>) est de pouvoir inclure une multitude de variables sans se soucier de l\u2019effectif de l\u2019\u00e9tude.\u00a0<\/span><\/p>\n

Il difficile d\u2019apporter une critique m\u00e9thodologique sur cette technique utilis\u00e9e ici puisque l\u2019auteur ne pr\u00e9sente pas d\u2019information sur les crit\u00e8res choisis, except\u00e9 le nombre de variables utilis\u00e9es dans le mod\u00e8le final. D\u2019ailleurs, le nombre de variables et leurs caract\u00e9ristiques ne sont pas communiqu\u00e9es. Il est n\u00e9cessaire pour cette analyse de les pr\u00e9senter ainsi que l\u2019importance des variables qui permettent de s\u00e9lectionner les facteurs pr\u00e9dictifs dans le mod\u00e8le final.\u00a0<\/span><\/p>\n

Toujours \u00e0 propos des 8 variables utilis\u00e9es dans ces nouvelles pr\u00e9dictions, il est \u00e9tonnant de constater que ce sont les m\u00eames pour la survie globale et la survie sans leuc\u00e9mie. Ainsi, cela sugg\u00e8re que l\u2019analyse a port\u00e9 probablement sur seulement ces 8 variables pr\u00e9sent\u00e9es, ce qui est tr\u00e8s peu compte-tenu du nombre de param\u00e8tres contenus dans le registre dont sont issues les donn\u00e9es. Une petite remarque concernant ces 8 variables utilis\u00e9es, il y a le niveau de risque cytog\u00e9n\u00e9tique provenant de l\u2019IPSS-R. On peut se demander comment peut-on inclure dans le m\u00eame ce score et les param\u00e8tres utilis\u00e9s dans son calcul. En r\u00e9alit\u00e9 et contrairement aux mod\u00e8les de r\u00e9gression tels que le mod\u00e8le de Cox, la multicoli\u00e9arit\u00e9 des covariables n\u2019est pas un probl\u00e8me dans le RSF. Enfin, concernant les r\u00e9sultats, la capacit\u00e9 de pr\u00e9diction du nouveau mod\u00e8le est estim\u00e9e par l\u2019index-c qui est une probabilit\u00e9 de concordance (l\u2019inverse du taux d\u2019erreur entre les donn\u00e9es pr\u00e9dites et observ\u00e9es). Cet indicateur n\u2019est pas calcul\u00e9 pour l\u2019IPSS-R dans cette population, difficile alors de conclure \u00e0 une meilleure pr\u00e9diction du nouveau score. De plus, certes 60% des patients sont reclass\u00e9s dans diff\u00e9rents groupes du risque de d\u00e9c\u00e8s (figure 2<\/b>), mais quid <\/i>de ceux reclass\u00e9s correctement ?<\/p>\n

\"\"<\/p>\n

 <\/p>\n

R\u00e9f\u00e9rences :<\/b><\/p>\n

1 – Bernard, E., Tuechler, H<\/b>., Greenberg, P. L., Hasserjian, R. P., Arango Ossa, J. E., Nannya, Y., Devlin, S. M., Creignou, M., Pinel, P., Monnier, L., Gundem, G., Medina-Martinez, J. S., Domenico, D., J\u00e4dersten, M., Germing, U., Sanz, G., van de Loosdrecht, A. A., Kosmider, O., Follo, M. Y., \u2026 Papaemmanuil, E. <\/b>(2022). Molecular International Prognostic Scoring System for Myelodysplastic Syndromes. NEJM Evidence, 1(7). https:\/\/doi.org\/10.1056\/EVIDOA2200008.<\/i><\/p>\n

2 – Nazha, A., Komrokji, R<\/b>., Meggendorfer, M., Jia, X., Radakovich, N., Shreve, J., Beau Hilton, C., Nagata, Y., Hamilton, B. K., Mukherjee, S., al Ali, N., Walter, W., Hutter, S., Padron, E., Sallman, D., Kuzmanovic, T., Kerr, C., Adema, V., Steensma, D. P., \u2026 Sekeres, M. A. <\/b>(2021). Personalized Prediction Model to Risk Stratify Patients With Myelodysplastic Syndromes. Journal of Clinical Oncology\u202f: Official Journal of the American Society of Clinical Oncology, 39(33), 3737\u20133746. https:\/\/doi.org\/10.1200\/JCO.20.02810.<\/i><\/p>","protected":false},"excerpt":{"rendered":"

Le machine learning supervis\u00e9 am\u00e9liore la stratification du risque dans les syndromes my\u00e9lodysplasiques nouvellement diagnostiqu\u00e9s : une analyse du groupe espagnol des syndromes my\u00e9lodysplasiques. Supervised Machine Learning Improves Risk Stratification […]<\/p>","protected":false},"author":3,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"footnotes":""},"categories":[379,3],"tags":[],"ppma_author":[446,460],"class_list":["post-16533","post","type-post","status-publish","format-standard","hentry","category-ash-2022","category-decryptage-congres","author-emmanuel-gyan","author-marouane-boubaya"],"aioseo_notices":[],"authors":[{"term_id":446,"user_id":3,"is_guest":0,"slug":"emmanuel-gyan","display_name":"Emmanuel GYAN","avatar_url":{"url":"https:\/\/www.hematostat.net\/wp-content\/uploads\/2024\/01\/Capture-decran-2023-10-18-a-12.52.17-150x150-1.png","url2x":"https:\/\/www.hematostat.net\/wp-content\/uploads\/2024\/01\/Capture-decran-2023-10-18-a-12.52.17-150x150-1.png"},"first_name":"","last_name":"","user_url":"","description":"H\u00e9matologue, PU-PH.\r\n
\r\nExpertises : <\/strong>\r\nsyndromes my\u00e9lodysplasiques, lymphomes. Membre du GFM, FILO, EHA, LYSA et ASH. \r\n
\r\nLiens d'int\u00e9r\u00eats : <\/strong>\r\nAbbvie, BMS, Novartis.\r\n
\r\nCorrespondance : <\/strong>\r\nCHU de Tours\r\nService d\u2019h\u00e9matologie et th\u00e9rapie cellulaire\r\n2 boulevard Tonnell\u00e9, 37044 Tours Cedex.\r\n
emmanuel.gyan@univ-tours.fr"},{"term_id":460,"user_id":0,"is_guest":1,"slug":"marouane-boubaya","display_name":"Marouane BOUBAYA","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/?s=96&d=mm&r=g","first_name":"Marouane","last_name":"BOUBAYA","user_url":"","description":""}],"_links":{"self":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts\/16533","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/comments?post=16533"}],"version-history":[{"count":1,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts\/16533\/revisions"}],"predecessor-version":[{"id":17189,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts\/16533\/revisions\/17189"}],"wp:attachment":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/media?parent=16533"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/categories?post=16533"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/tags?post=16533"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/ppma_author?post=16533"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}