Makine Öğrenimi: Kanser Çalışmalarının Gerçek Dünya Hastalarında Yetersizliğini Açığa Çıkarıyor
TrialTranslator, yüksek riskli hastalar için sağ kalım farkını ortaya çıkarıyor ve daha iyi kanser araştırmaları için bir yol sunuyor. Onkoloji deneme sonuçlarının gerçek dünya hastalarına genellikle iyi uymadığı ortaya çıktı.
RCT Sonuçlarının Yetersiz Genelleştirilebilirliği
Rastgele kontrollü denemeler (RCT’ler), kanser tedavilerini değerlendirmenin altın standartı olarak kabul edilir. Ancak bulguları genellikle gerçek dünya ortamlarına aktarılamaz, bu da hastaları, doktorları ve ilaç düzenleyicilerini bu sonuçların sınırlı genelleştirilebilirliği konusunda endişelendirir.
Onkolojide, gerçek dünya sağkalım süreleri ve tedavi faydaları genellikle RCT’lerde rapor edilenden önemli ölçüde daha düşüktür, ortalama genel sağkalım (OS) bazen altı ay kadar azalır. Checkpoint inhibitörleri gibi yeni anti-kanser ajanlar da klinik denemeler dışındaki çeşitli hasta popülasyonlarına uygulandığında yetersiz kalır.
Bu farkın ana nedenlerinden biri, sıkça kullanılan RCT’lerdeki kısıtlayıcı uygunluk kriterleridir. Bu, gerçek dünya hastalarının çeşitliliğini yansıtmayan çalışma popülasyonları oluşturur. Deneme katılımcıları genellikle daha genç, daha sağlıklı ve eşlik eden hastalıklara daha az sahip olma eğilimindedir.
Taciz edici önyargılar, ırk veya sosyoekonomik duruma dayalı tercihli seçimin de alımı etkileyebileceği gayri resmi olarak da etkide bulunabilir. Bu sınırlamalar, gerçek dünya hastalarının heterojenitesini hesaba katmaz ve aynı tedavi protokolleriyle bile sonuçları büyük ölçüde değişebilir.
Çalışmanın Amaçları
Bu nedenle, bu çalışma, evre 3 RCT’lerde değerlendirilen kanser tedavilerinin gerçek dünya sonuçlarının tahminini iyileştirerek bu konuyu ele almaya çalıştı. Bunun için araştırmacılar, RCT sonuçlarının genelleştirilebilirliğini sistemli olarak değerlendirmek üzere tasarlanmış bir makine öğrenimi (ML) çerçevesi olan TrialTranslator’ü geliştirdiler.
Elektronik sağlık kayıtlarını (EHR’ler) ve gelişmiş ML algoritmalarını kullanarak çerçeve, tedavi sonuçlarını etkileyebilecek desenleri ve fenotipleri tanımlar ve bu sayede çeşitli hasta grupları arasında sağ kalım faydalarının daha nüanslı bir şekilde değerlendirilmesine olanak tanır.
Çalışmanın Sonuçları
Çalışma, RCT sonuçları ile gerçek dünya sonuçları arasında dikkate değer bir farklılık ortaya koydu:
– Düşük ve Orta Riskli Hastalar: Bu fenotipler, sağ kalım sürelerini ve tedavi faydalarını klinik denemelerde rapor edilenlerle yakından uyumlu şekilde gösterdi. Örneğin, düşük riskli hastalar genellikle klinik denemelerde rapor edilenlere benzer sağ kalım faydaları yaşadılar, ortalama genel sağkalımda (OS) sadece hafif bir azalma (yaklaşık iki ay) yaşandı.
– Yüksek Riskli Hastalar: Bununla birlikte, yüksek riskli fenotipler belirgin şekilde daha kötü sonuçlar gösterdi. Sağ kalım faydaları belirgin şekilde azaldı ve genellikle orijinal denemelerde rapor edilen %95’lik güven aralıklarının dışına düştü. Yedi emüle edilen denemenin on birinden, yüksek riskli hastalar için klinik olarak anlamlı bir sağkalım iyileşmesi (üç aydan fazla) gösteremedi.
Genel olarak, emüle edilen denemeler, ortalama olarak RCT’lerde rapor edilenlerden %35 daha düşük sağkalım sonuçları tahmin etti. Bu farklılık, deneme bulgularının daha heterojen gerçek dünya popülasyonlarına çevrilmesinin zorluklarını vurgular.
Sonuç ve İleriki Adımlar
Bu sonuçlar, RCT sonuçlarının sınırlı genelleştirilebilirliğinde prognostik heterojenitenin oynadığı önemli role işaret etmektedir. Gelişmiş ML tabanlı çerçeveler gibi araçlar, bu farkı kapatmaya yardımcı olabilir, böylece daha kapsayıcı denemeler ve daha iyi gerçek dünya sonuçları sağlayabilir. Bu tür araçlarla, onkoloji, gerçek dünya hastalarının çeşitli ihtiyaçlarını dikkate alan gerçekten kişiselleştirilmiş tedavi yaklaşımlarına daha da yaklaşabilir.
Çalışmanın baş yazarları, “Bu çalışma, RCT sonuçlarının sınırlı genelleştirilebilirliğinde prognostik heterojenitenin oynadığı önemli rolü vurgulamaktadır” diyor. Düşük ve orta riskli hastalar kanser terapilerinden beklenildiği gibi fayda sağlayabilirken, yüksek riskli hastalar genellikle azalmış sağ kalım kazançları yaşarlar.
ML tabanlı çerçeveler gibi araçlar, bu farkı kapatmaya yardımcı olabilir, böylece daha kapsayıcı denemeler ve daha iyi gerçek dünya sonuçları sağlayabilir. Bu tür araçlarla, onkoloji, gerçekten kişiselleştirilmiş tedavi yaklaşımlarına daha da yaklaşabilir.