Random Survival Forest quantifies intra-stage heterogeneity of recurrence-free survival after curative gastrectomy: a single-center cohort study

Lorsqu'un chirurgien retire une tumeur gastrique, le rapport du pathologiste est la première carte du futur. Ce rapport attribue un stade au cancer, une étiquette basée sur la profondeur de la croissance de la tumeur et sur la question de savoir si elle a atteint les ganglions lymphatiques voisins. Pendant des décades, ce système a été la méthode standard utilisée par les médecins pour deviner la probabilité qu'un cancer réapparaisse chez un patient. Il regroupe les patients, en supposant que tous ceux qui portent la même étiquette font face aux mêmes risques. Mais la biologie est rarement aussi nette. Deux personnes peuvent porter exactement la même étiquette de stade tout en ayant des issues très différentes, car les détails invisibles de leur maladie spécifique varient de manières que les étiquettes standards ne peuvent voir. La question pour la médecine moderne est de savoir si nous pouvons regarder au-delà des catégories larges pour voir les risques uniques de chaque individu, permettant des soins adaptés à la personne plutôt qu'au groupe.

Une équipe de chercheurs d'un centre médical unique s'est donné pour mission de répondre à cette question pour les patients ayant subi une chirurgie réussie pour retirer un cancer de l'estomac. Ils se sont concentrés sur un groupe spécifique de patients dont les tumeurs s'étaient propagées aux ganglions lymphatiques voisins, mais n'avaient pas atteint d'organes distants, une plage de gravité connue sous les noms de stades IIA à IIIC. Alors que le système standard traite tous ces stades comme ayant un profil de risque similaire, les chercheurs soupçonnaient que des différences cachées au sein de ces groupes étaient significatives. Pour les trouver, ils ont eu recours à une méthode informatique appelée Forêt de Survie Aléatoire (Random Survival Forest). Il ne s'agit pas d'une forêt d'arbres, mais d'un outil numérique qui construit de nombreux chemins de décision différents pour trouver des modèles dans des données complexes, un peu comme si l'on demandait à cent experts différents de donner leur avis sur un seul cas, puis que l'on faisait la moyenne de leurs réponses.

Les chercheurs ont rassemblé les dossiers de 486 patients dont le cancer a été retiré entre 2008 et 2020. Ils ont injecté dans l'ordinateur dix informations différentes sur chaque patient, incluant des détails sur la tumeur et la santé du patient, pour voir si le modèle pouvait prédire qui resterait exempt de cancer après trois et cinq ans. Ils ont d'abord enseigné au modèle en utilisant les données des années antérieures, puis l'ont testé sur des patients des années plus récentes pour s'assurer qu'il puisse gérer de nouveaux cas. Les résultats ont montré que le modèle informatique était meilleur pour prédire l'avenir que les étiquettes de stade standard seules. Alors que le système traditionnel donnait une estimation approximative, le nouveau modèle pouvait distinguer les patients qui étaient très susceptibles de rester sans cancer de ceux qui étaient susceptibles de voir un retour de la maladie, même lorsqu'ils partageaient le même stade officiel.

La découverte la plus frappante fut la manière dont le risque variait à l'intérieur des stades intermédiaires de la maladie. Pour les patients des stades II à IIIB, le modèle a révélé un large écart dans les issues. Certains patients de ces groupes avaient une probabilité très faible de récidive, tandis que d'autres avaient une probabilité beaucoup plus élevée, avec une différence de dix à quinze points de pourcentage entre les groupes à risque le plus bas et le plus élevé. Cela signifie que deux personnes avec la même étiquette de stade pourraient avoir des futurs très différents, un fait que l'ancien système avait totalement manqué. Cependant, le modèle a trouvé que pour le groupe le plus sévère, le stade IIIC, le risque était uniformément élevé. Tous les patients de ce groupe faisaient face à un lourd fardeau de récidive, et le modèle informatique a confirmé que l'étiquette de stade standard faisait déjà un bon travail pour les identifier comme étant à haut risque. Il n'y avait aucun groupe caché à faible risque niché à l'intérieur de cette catégorie.

Ce travail suggère que pour les stades intermédiaires du cancer de l'estomac, le système actuel est trop rudimentaire. Il traite un groupe diversifié de patients comme s'ils étaient tous les mêmes, ce qui peut conduire soit à une inquiétude inutile, soit à une surveillance insuffisante. La nouvelle approche offre un moyen de trier ces patients plus finement, identifiant qui nécessite une surveillance étroite et qui pourrait être en sécurité avec des soins standards. Les chercheurs notent que leurs conclusions sont basées sur un centre unique et devront être vérifiées par d'autres hôpitaux pour confirmer qu'elles sont vraies partout. D'ici là, cette étude fournit un point de référence clair sur la manière dont la technologie pourrait un jour aider les médecins à dépasser les étiquettes larges pour comprendre la réalité spécifique de la maladie de chaque patient.