Immuuntherapie wordt gebruikt om vrijwel alle patiënten met gevorderd niet-kleincellig longcarcinoom (‘non-small cell lung cancer’, NSCLC) te behandelen. Het is echter uitdagend gebleken om biomarkers te ontwikkelen met een robuuste voorspellende waarde. In de huidige studie werd de voorspellende waarde onderzocht van een multimodale integratie van medische imaging en histopathologische en genomische karakteristieken.
De studie includeerde 247 patiënten met gevorderde NSCLC waarvan op baseline data werd verzameld, waaronder CT-scans, immunohistochemisch aangekleurde PD-L1-monsters en uitkomsten na immuuntherapie. Vervolgens werd met behulp van patiëntkarakteristieken door ‘machine learning’ een multimodale integratie gemaakt waarmee het risico voorspeld kan worden.
Het ontworpen model had een oppervlakte onder de grafiek (‘area under the curve’, AUC) van 0,80 (95%-BI: 0,74-0,86), en had daarmee een betere voorspellende waarden dan unimodale-modellen zoals de mutatielast van de tumor (AUC [95%-BI]: 0,61 [0,52-0,70]) en de immunohistochemische PD-L1-score (AUC [95%-BI]: 0,73 [0,65-0,81]).
Deze studie oppert daarmee dat het door hen ontwikkelende multimodale model een betere voorspellende waarde heeft dan huidige modellen, en daarmee ingezet zou kunnen worden om de respons bij immunotherapie te voorspellen bij NSCLC-patiënten.
Naar boven
