Myélofibrose : prédiction de survie après greffe affinée par l’intelligence artificielle

Un modèle d’IA en accès libre améliore la prédiction de survie après greffe dans la myélofibrose, permettant d’identifier précocement les patients à haut risque : il montre que 25 % des patients ont 40 % de chances de mourir dans l'année suivant la transplantation.

Malgré les avancées thérapeutiques récentes, la transplantation de cellules souches hématopoïétiques allogéniques (allo-CSH) reste la seule option curative pour les patients atteints de myélofibrose (MF). Cependant, en raison d’une incertitude pronostique persistante, seuls environ 10 % des patients bénéficient finalement de cette procédure complexe.

Afin d’affiner la prédiction de la survie globale (SG) après transplantation, une équipe internationale coordonnée par l’European Society for Blood and Marrow Transplantation (EBMT) a développé et validé un modèle d’apprentissage automatique basé sur la méthode des forêts aléatoires de survie (RSF). Ce modèle, disponible en accès libre, entraîné sur 3 887 patients et validé sur 1 296 patients, montre une précision supérieure aux modèles statistiques traditionnels pour identifier les patients les plus à risque, isolant notamment un sous-groupe représentant 25 % des cas avec une mortalité à un an atteignant 40 %.

Capacité renforcée à prédire la mortalité sans rechute

Outre les résultats principaux sur la survie globale, les analyses secondaires du modèle RSF mette en évidence une capacité renforcée à prédire la mortalité sans rechute (NRM). La performance du modèle s’est avérée robuste, surpassant un modèle de Cox classique à quatre niveaux ainsi que le score du Center for International Blood and Marrow Transplant Research (CIBMTR). L’analyse comparative montre que le RSF atteint un indice de concordance (C-index) supérieur aux autres modèles testés, notamment dans les sous-groupes de MF primitive ou secondaire aux thrombocytémies essentielles ou à la polyglobulie de Vaquez.

Le modèle intègre dix variables cliniques essentielles telles que l’âge du patient, l’état général, l’indice de comorbidité, les caractéristiques hématologiques (blastes sanguins, hémoglobine, leucocytes, plaquettes), le type de donneur, l’intensité du conditionnement et le type de prophylaxie contre la réaction du greffon contre l’hôte. Aucune problématique particulière de tolérance ou d’applicabilité clinique du modèle n’a été rapportée.

Données issues d’un registre européen multicentrique sur plus 5000 patients

Cette étude repose sur des données issues d’un registre européen comprenant 5 183 patients adultes atteints de MF, traités par allo-CSH entre 2005 et 2020 dans 288 centres affiliés à l’EBMT. La cohorte importante et diversifiée ainsi que l’utilisation d’une méthodologie rigoureuse d’apprentissage automatique (75 % des patients pour l’entraînement du modèle et 25 % pour sa validation) confèrent au modèle RSF une bonne représentativité et généralisation potentielle. Toutefois, l’absence de certaines variables spécifiques, comme le degré précis de fibrose médullaire ou les mutations somatiques additionnelles, constitue une limite potentielle à l’applicabilité directe du modèle dans certains contextes spécifiques. Pour pallier cela, les auteurs prévoient d’intégrer à l’avenir davantage de données issues de la pratique clinique courante.

La mise à disposition de ce modèle sous forme d’application web libre d’accès constitue un véritable progrès dans l’individualisation des décisions thérapeutiques pour les patients atteints de MF. En identifiant précocement les patients les plus susceptibles de présenter une mauvaise issue post-transplantation, l’outil favorise une médecine davantage personnalisée et une prise de décision partagée entre le clinicien et le patient. Les prochaines étapes de recherche incluront l’intégration de données cliniques réelles générées par l’usage quotidien de l’outil et l’évaluation de nouvelles variables biologiques afin de continuer à améliorer la précision et la pertinence clinique de ces prédictions.