L’Intelligence Artificielle pour choisir plus rapidement la thérapie ciblée adaptée à chaque patient

Les performances de cette nouvelle méthode ont été analysées en collaboration avec des chercheurs de l’Institut Curie, en se basant sur les données cliniques et génomiques des patients traités dans l’essai SHIVA01. Les résultats de l’étude sont publiés dans NPJ Precision Oncology (groupe Nature).

L’Institut Curie a été pionnier dans le domaine de la médecine de précision en oncologie avec l’essai SHIVA01, premier essai clinique randomisé de médecine de précision en oncologie. Aujourd’hui, nous allons plus loin dans la médecine de précision avec un outil d’intelligence artificielle qui permet de tenir compte de l’ensemble du profil moléculaire de la tumeur de chaque patient pour hiérarchiser les altérations moléculaires. Ceci n’est pas manuellement possible étant donné les innombrables données scientifiques existantes,

se réjouit le Pr Christophe Le Tourneau, oncologue-médical, chef du département d’essais cliniques précoces et d’innovation (D3i) à l’Institut Curie et investigateur principal de l’essai SHIVA01.

L’objectif ultime de la médecine de précision est de permettre aux oncologues de sélectionner les thérapies les plus efficaces pour leurs patients en fonction du profil moléculaire unique de leur tumeur. 

Les thérapies ciblées au niveau moléculaire peuvent avoir des résultats cliniques remarquables contre le cancer, à condition que l’oncologue choisisse le bon médicament pour le patient. La décision peut être difficile à prendre, car chaque cancer peut présenter une combinaison de 4 à 5 altérations génétiques parmi les 6 millions possibles sur 600 gènes. 

Notre but est de proposer un outil validé, un appareil médical numérique, pour aider les oncologues à choisir les thérapies ciblées les plus efficaces pour leurs patients

,explique Istvan Petak, premier auteur de l’étude. 

Cette nouvelle méthode, appelée « Digital drug assignement » ou « DDA » (attribution numérique d’un médicament), consiste en un système expert qui se base (pour l’instant) sur plus de 26 000 règles qui relient entre elles les différentes altérations génétiques, les cibles pouvant recevoir des médicaments et plus de 1 500 thérapies issues de pratiques ou d’essais cliniques sur plus de 400 types de tumeurs. 

Elle fait appel à un algorithme unique pour calculer une prédiction d’un score mathématique, l’« aggregated evidence level » ou « AEL » (niveau de preuve cumulé) qui détermine la pertinence fonctionnelle des altérations génétiques, les cibles pouvant recevoir des médicaments associées et les thérapies ciblées et immunothérapies au niveau moléculaire. Le score AEL d’un paramètre est calculé selon le nombre de liens de ce paramètre avec les autres paramètres et le score AEL de ces autres paramètres. Ainsi, le système identifie la thérapie ciblée ou immunothérapie en recherchant les cibles les plus pertinentes et en les associant aux altérations génétiques les plus graves. L’objectif est de choisir une thérapie qui soit efficace contre une certaine combinaison de plusieurs altérations génétiques au sein de la tumeur du patient. 

Dans cette étude, les altérations génétiques présentes dans les tumeurs de 113 patients atteints de différents cancers solides ont été intégrées dans le logiciel, puis les scores AEL des thérapies prescrites dans l’essai SHIVA01 ont été calculés. Les chercheurs ont ainsi découvert que les scores AEL des thérapies efficaces étaient trois fois plus élevés que ceux des thérapies moins efficaces, ce qui est une différence considérable statistiquement significative. Les patients traités avec des thérapies ciblées au score AEL élevé présentaient une durée de survie sans progression statistiquement plus longue que ceux traités par des thérapies avec un score AEL plus faible.

Référence :

Petak, I., Kamal, M., Dirner, A. et al. A computational method for prioritizing targeted therapies in precision oncology: performance analysis in the SHIVA01 trial. npj Precis. Onc. 5, 59 (2021). https://doi.org/10.1038/s41698-021-00191-2