Les cadres d'apprentissage automatique améliorent les essais cliniques, la prédiction des risques de greffe et la personnalisation des traitements

Trois nouveaux cadres d'apprentissage automatique visent à améliorer la prise de décision clinique : MARGO pour la randomisation adaptative dans les essais cliniques, BIOPREVENT pour prédire les complications après une greffe de cellules souches, et FOCaL pour estimer les effets de traitement hétérogènes fonctionnels.

Des chercheurs de l'Université Sungkyunkwan ont développé un nouveau cadre statistique — MARGO (Machine Learning-Assisted Adaptive Randomization for Group Sequential Trials Based on Overlap Weights) — qui rend l'apprentissage automatique pratiquement applicable dans la conception d'essais cliniques. Ces travaux apportent la première solution rigoureuse aux défis statistiques fondamentaux qui se posent lors de l'intégration de la prise de décision basée sur l'IA/ML dans les essais cliniques. MARGO intègre des modèles prédictifs basés sur l'apprentissage automatique avec des pondérations de chevauchement (overlap weights, OW), une approche fondée sur le score de propension largement utilisée en inférence causale pour ajuster les déséquilibres entre covariables. Il utilise les informations sur les covariables des patients pour prédire la probabilité de succès du traitement via l'apprentissage automatique, puis utilise ces prédictions pour affecter préférentiellement les patients au traitement le plus efficace, tandis que les OW corrigent le déséquilibre des covariables entre les groupes de traitement. Le cadre a été évalué à l'aide de quatre algorithmes d'apprentissage automatique : machine à vecteurs de support (SVM), k plus proches voisins (KNN), forêt aléatoire (RF) et perceptron multicouche (MLP). Grâce à des études de simulation approfondies, MARGO a démontré des performances supérieures à celles de la randomisation fixe conventionnelle et des méthodes de randomisation adaptative existantes sur trois dimensions clés : il a attribué une plus grande proportion de patients au traitement le plus efficace ; il a maintenu le taux d'erreur de type I global sous le seuil cible de 0,05 — même dans les scénarios où les méthodes conventionnelles gonflaient le taux d'erreur jusqu'à 0,08–0,18 ; et il a préservé une puissance statistique élevée dans les scénarios alternatifs tout en réduisant le nombre d'échecs de traitement. L'étude a été publiée dans Statistics in Medicine.

Un outil d'intelligence artificielle peut identifier les complications potentielles après une greffe de moelle osseuse ou de cellules souches avant l'apparition des symptômes, ce qui pourrait permettre une surveillance plus précise des patients et un traitement préemptif. L'algorithme BIOPREVENT combine l'apprentissage automatique avec des biomarqueurs immunitaires et des données cliniques pour prédire la maladie chronique du greffon contre l'hôte (GVHD) ou le décès après une greffe de cellules hématopoïétiques (HCT). La GVHD survient lorsque les cellules du donneur perfusées pour traiter des maladies du sang réagissent contre le receveur et affecte généralement la peau, l'intestin ou le foie ; elle est l'une des principales causes de maladie invalidante et de décès après une greffe de cellules hématopoïétiques. BIOPREVENT a été développé à partir des données de 1310 receveurs de greffes de cellules souches et de moelle osseuse issues de quatre études multicentriques bien caractérisées. Les données intégraient sept biomarqueurs plasmatiques précédemment validés, mesurés à partir d'échantillons de sang prélevés entre 90 et 100 jours après la greffe et associés à l'inflammation, à l'activation et à la régulation immunitaires, ainsi qu'aux lésions et au remodelage tissulaires, combinés à neuf facteurs cliniques clés comprenant l'âge du patient, le type de greffe, la maladie primitive et les complications antérieures identifiées à partir des registres de greffes. Plusieurs modèles d'apprentissage automatique et d'apprentissage profond ont été évalués ; les arbres de régression additifs bayésiens (BART) ont produit des résultats constamment élevés et ont finalement été choisis pour le modèle final. BIOPREVENT a été le plus performant de plusieurs modèles d'apprentissage automatique et a illustré son applicabilité réelle en tant qu'outil prédictif basé sur des biomarqueurs dans deux calculs de puissance pour un essai hypothétique dans deux scénarios de patients. Les chercheurs estiment qu'il s'agit de la plus grande étude de biomarqueurs sur la GVHD chronique à ce jour et que la mise à disposition gratuite de leur outil en ligne permettra de le tester davantage. L'outil est décrit dans le Journal of Clinical Investigation et est actuellement conçu pour l'évaluation des risques et la recherche clinique.

Une autre nouvelle méthode aborde le défi de l'estimation des effets de traitement hétérogènes à partir de données continues complexes. FOCaL (Functional Outcome Causal Learner) est un cadre d'apprentissage automatique doublement robuste conçu pour analyser les résultats fonctionnels — des données observées sur un domaine continu tel que le temps ou l'espace — et surmonter les limites des techniques existantes qui se concentrent généralement sur des résultats uniques et scalaires. FOCaL utilise la régression fonctionnelle à la fois pour la modélisation des résultats et pour la reconstruction de pseudo-résultats fonctionnels, permettant une estimation robuste de la manière dont les effets du traitement varient selon les individus. Cette double robustesse est cruciale, car elle garantit des résultats fiables même lorsque les modèles sous-jacents sont imparfaitement spécifiés. Des études de simulation ont révélé que FOCaL surpassait constamment les méthodes fonctionnelles non robustes existantes dans une gamme de scénarios : il a atteint une erreur absolue moyenne de 0,083 sur les courbes fonctionnelles simulées, soit une réduction de 23,5 % par rapport à la meilleure référence non robuste qui produisait une erreur absolue moyenne de 0,108, avec un écart type de 0,021. Appliqué à des données longitudinales de patients, FOCaL a identifié des trajectoires de récupération individualisées avec une précision de 0,92, mesurée comme la proportion de groupes de patients correctement classés en fonction de la réponse au traitement, surpassant les méthodes conventionnelles qui atteignent généralement environ 0,78. La robustesse a été évaluée par des analyses de sensibilité faisant varier le degré de mauvaise spécification du modèle ; FOCaL a maintenu un biais d'estimation constant inférieur à 0,01. La recherche illustre le potentiel de FOCaL en analysant les données du jeu de données SHARE, en étudiant comment les maladies chroniques affectent la progression des indicateurs de qualité de vie au fil du temps, ainsi qu'un jeu de données suivant l'épidémie de COVID-19 en Italie, révélant les implications causales des soins de santé primaires distribués. Ces travaux fournissent une base théorique rigoureuse pour FOCaL, établissant ses propriétés statistiques et démontrant ses performances supérieures grâce à des études de simulation approfondies et à divers ensembles de données fonctionnelles réelles.