En studie ledd av forskare från Winship Cancer Institute vid Emory University och Abramson Cancer Center vid University of Pennsylvania visar att en unik plattform som använder artificiell intelligens (AI) kan hjälpa läkare och patienter att bedöma om och hur mycket en enskild patient kan dra nytta av en viss behandling som testas i en klinisk prövning.
Denna AI-plattform kan hjälpa till att fatta välgrundade behandlingsbeslut, förstå de förväntade fördelarna med nya terapier och planera framtida vård.
Studien, som publicerades i Nature Medicine, leddes av den legitimerade medicinska onkologen Ravi B. Parikh, MD, MPP, medicinsk chef för Data and Technology Applications Shared Resource vid Winship Cancer Institute of Emory University och docent vid avdelningen för hematologi och medicinsk onkologi vid Emory University School of Medicine, som utvecklar och integrerar AI-applikationer för att förbättra vården av patienter med cancer.
Qi Long, Ph.D., professor i biostatistik och data- och informationsvetenskap, och grundande chef för Center for Cancer Data Science vid University of Pennsylvania, och biträdande chef för kvantitativ datavetenskap vid Abramson Cancer Center of Penn Medicine, var medförfattare.
Studiens första författare var Xavier Orcutt, MD, en praktikant i Parikhs laboratorium. Andra författare till studien var Kan Chen, en doktorand som praktiserar i Longs laboratorium, och Ronac Mamtani, docent i medicin vid University of Pennsylvania.
Parikh och hans forskarkollegor utvecklade TrialTranslator, ett ramverk för maskininlärning för att ”översätta” kliniska prövningsresultat till verkliga populationer. Genom att emulera 11 banbrytande kliniska prövningar av cancer med hjälp av verkliga data kunde de rekapitulera faktiska kliniska prövningsresultat, vilket gjorde det möjligt för dem att identifiera vilka distinkta grupper av patienter som kan svara bra på behandlingar i en klinisk prövning, och de som kanske inte gör det.
”Vi hoppas att den här AI-plattformen ska ge ett ramverk som kan hjälpa läkare och patienter att avgöra om resultaten från en klinisk prövning kan tillämpas på enskilda patienter”, säger Parikh.
”Dessutom kan den här studien hjälpa forskare att identifiera undergrupper där nya behandlingar inte fungerar, vilket kan leda till nya kliniska prövningar för dessa högriskgrupper.”
”Vårt arbete visar på den enorma potential som finns i att utnyttja AI/ML för att utnyttja kraften i omfattande men komplexa data från verkligheten för att utveckla precisionsmedicin när den är som bäst”, tillägger Long.
Begränsad generaliserbarhet av prövningsresultat
Parikh förklarar att kliniska prövningar av potentiella nya behandlingar är begränsade eftersom mindre än 10% av alla patienter med cancer deltar i en klinisk prövning. Detta innebär att kliniska prövningar ofta inte representerar alla patienter med den aktuella cancersjukdomen.
Även om en klinisk prövning visar att en ny behandlingsstrategi ger bättre resultat än standardbehandlingen ”finns det många patienter där den nya behandlingen inte fungerar”, säger Parikh.
”Detta ramverk och våra kalkylatorer med öppen källkod kommer att göra det möjligt för patienter och läkare att avgöra om resultaten från kliniska fas III-studier är tillämpliga på enskilda patienter med cancer”, säger han och tillägger att ’denna studie erbjuder en plattform för att analysera hur generaliserbara andra randomiserade studier är i den verkliga världen, inklusive studier som har haft negativa resultat’.
Parikh och hans kollegor använde en rikstäckande databas med elektroniska patientjournaler (EHR) från Flatiron Health för att efterlikna 11 viktiga randomiserade kontrollerade studier (studier som jämför effekterna av olika behandlingar genom att slumpmässigt fördela deltagarna i grupper) som undersökte cancerbehandlingar som anses vara standardbehandling för de fyra vanligaste avancerade solida maligniteterna i USA: avancerad icke-småcellig lungcancer, metastaserande bröstcancer, metastaserande prostatacancer och metastaserande kolorektalcancer.
Analysen visade att patienter med låg- och medelriskfenotyper, som är maskininlärningsbaserade egenskaper som används för att bedöma den underliggande prognosen för en patient, hade överlevnadstider och behandlingsassocierade överlevnadsfördelar som liknade dem som observerades i de randomiserade kontrollerade studierna.
Däremot uppvisade de med högriskfenotyper signifikant lägre överlevnadstider och behandlingsassocierade överlevnadsfördelar jämfört med de randomiserade kontrollerade studierna.
Deras resultat tyder på att maskininlärning kan identifiera grupper av patienter i den verkliga världen där resultaten från randomiserade kontrollerade studier är mindre generaliserbara. Detta innebär, tillägger de, att ”patienter i den verkliga världen sannolikt har mer heterogena prognoser än deltagare i randomiserade kontrollerade studier”.
Forskargruppen drar slutsatsen att studien ”tyder på att patienternas prognos, snarare än urvalskriterierna, bättre förutsäger överlevnad och behandlingsnytta”. De rekommenderar att prospektiva prövningar ”bör överväga mer sofistikerade sätt att utvärdera patienternas prognos när de deltar, snarare än att enbart förlita sig på strikta urvalskriterier”.
Dessutom citerar de rekommendationer från American Society of Clinical Oncology och Friends of Cancer Research om att ansträngningar bör göras för att förbättra representationen av högriskundergrupper i randomiserade kontrollerade studier ”med tanke på att behandlingseffekterna för dessa individer kan skilja sig från andra deltagare”.
När det gäller AI:s roll i studier som denna säger Parikh: ”Snart, med lämplig tillsyn och bevis, kommer det att finnas en ökande mängd AI-baserade biomarkörer som kan analysera patologi-, radiologi- eller elektronisk journalinformation för att hjälpa till att förutsäga om patienter kommer att svara eller inte svara på vissa behandlingar, diagnostisera cancer tidigare eller resultera i bättre prognoser för våra patienter.”
För mer information: Xavier Orcutt et al, Evaluating generalizability of oncology trial results to real-world patients using machine learning-based trial emulations, Nature Medicine (2025). DOI: 10.1038/s41591-024-03352-5