Machine Learning to Optimize Busulfan Exposure and Predict Survival in HSCT: Toward Personalized Dosing Strategies

Sintesi Tecnica: Apprendimento Automatico per Ottimizzare l'Esposizione a Busulfano e Predire la Sopravvivenza in HSCT

Definizione del Problema
Il busulfano è un agente di condizionamento critico per il trapianto allogenico di cellule ematopoietiche (HCT) con una finestra terapeutica stretta. Sebbene il monitoraggio terapeutico dei farmaci (TDM) e il dosaggio di precisione basato su modelli (MIPD) abbiano migliorato il raggiungimento del target, rimangono lacune significative. Le pratiche attuali si affidano spesso a un dosaggio iniziale fisso di mg/kg, il che non permette di personalizzare appieno la terapia iniziale. Inoltre, la variabilità intra-paziente guidata dalla saturazione della clearance complica l'adattamento del dosaggio, ed è inoltre poco chiaro se un singolo target di esposizione cumulativa (Area Under the Curve, AUC) sia appropriato per tutti gli adulti o se l'esposizione tollerabile dipenda dalla funzione d'organo basale. Inoltre, l'AUC cumulativa da sola si è rivelata un debole predittore della sopravvivenza, suggerendo che anche altri parametri, come la concentrazione di picco ($C_{max}$), e fattori specifici del paziente possano essere critici.

Metodologia
Questo studio retrospettivo esplorativo, condotto in un singolo centro, ha analizzato i dati di 71 pazienti adulti che hanno ricevuto busulfano endovenoso ad alto dosaggio tra il 2015 e il 2022. Lo studio ha impiegato un approccio di apprendimento automatico (ML) multistadio utilizzando il framework H2O per affrontare tre obiettivi specifici:

1. Predizione della Sopravvivenza: Gli autori hanno sviluppato modelli per predire la sopravvivenza a un anno. Hanno confrontato la regressione logistica univariata, la regressione logistica multivariata (con selezione stepwise, LASSO e Ridge) e algoritmi basati su alberi (Random Forest e Gradient Boosting Machines). Le prestazioni sono state valutate utilizzando AUC-ROC, AUC-PR, sensibilità, specificità e valori SHAP (SHapley Additive exPlanations) per l'interpretabilità.
2. Predizione dell'Esposizione: Sono stati costruiti due modelli per predire la farmacocinetica del busulfano prima della prima dose:
   • Un Modello di Predizione della Clearance utilizzando variabili basali (età, peso, BSA, ferritina, esposizione precedente).
   • Un Modello di Predizione Diretta dell'AUC utilizzando variabili basali e la dose somministrata.
     Questi sono stati confrontati con il dosaggio standard mg/kg seguito da adattamento bayesiano.

Le variabili di input chiave includevano albumina basale, velocità di filtrazione glomerulare (GFR), bilirubina, $\gamma$-GT, ferritina, superficie corporea (BSA) e peso.

Risultati Chiave

• Predizione della Sopravvivenza:

  • L'analisi univariata dell'AUC cumulativa ha mostrato una scarsa capacità predittiva (AUC-ROC: 0,56).
  • La regressione logistica multivariata ha migliorato le prestazioni (AUC-ROC: 0,74), identificando albumina, GFR e bilirubina come predittori significativi.
  • I modelli basati su alberi (Random Forest e GBM) hanno raggiunto le prestazioni più elevate (AUC-ROC: 0,80; AUC-PR: 0,75).
  • Risultati Chiave: L'analisi SHAP ha rivelato una relazione a forma di U tra l'AUC cumulativa e la sopravvivenza, indicando che sia la sotto-esposizione che la sovra-esposizione aumentano il rischio di mortalità. Fondamentalmente, i modelli hanno identificato che la soglia di esposizione tollerabile è specifica per il paziente:
    • I pazienti con albumina $\ge$ 40 g/L hanno tollerato esposizioni cumulative fino a circa 90,5 mg·h/L (22.000 µM·min).
    • I pazienti con albumina < 40 g/L hanno mostrato un aumento netto della mortalità oltre i ~66 mg·h/L (16.000 µM·min).
  • La concentrazione di picco ($C_{max}$) è stata identificata come un predittore complementare all'AUC cumulativa, catturando il rischio di sovraesposizione acuta in modo indipendente.

• Predizione dell'Esposizione e della Clearance:

  • Il modello di clearance Random Forest ha raggiunto un errore quadratico medio (RMSE) di 2,2 L/h.
  • Il modello di predizione diretta dell'AUC ha superato la strategia clinica standard (mg/kg + aggiustamento bayesiano). Il modello ML ha ottenuto un RMSE di 850 µM·min per la prima dose rispetto a 1.200 µM·min del metodo standard ($p < 0,05$).
  • L'analisi SHAP ha confermato che un peso, una BSA e un'età più elevati aumentavano la clearance, mentre una ferritina e un'esposizione precedente più elevati la riducevano.

• Simulazione del Dosaggio Personalizzato:

  • Il modello di dosaggio guidato dal ML ha dimostrato un'elevata accuratezza nelle simulazioni retrospettive, con un errore assoluto medio di 0,13 mg/kg rispetto ai dosaggi di riferimento della popolazione PK.
  • Per i pazienti che sono stati retrospettivamente sovraesposti (>120% del target), il modello avrebbe raccomandato una dose mediana inferiore del 15,2%.
  • Per i pazienti sottoesposti (<80% del target), il modello avrebbe raccomandato una dose superiore del 10,2%.

Significatività e Rivendicazioni
Gli autori sostengono che l'integrazione dell'apprendimento automatico con gli approoli farmacocinetici (PK) esistenti possa perfezionare il dosaggio iniziale del busulfano ad alto dosaggio e migliorare la predizione degli esiti clinici. Lo studio dimostra che:

1. Target Personalizzati: Un singolo target di AUC cumulativa universale è probabilmente subottimale; i livelli di esposizione sicuri dipendono dalla funzione d'organo basale (specificamente albumina e GFR).
2. Dosaggio Iniziale Superiore: I modelli ML che utilizzano variabili cliniche basali possono predire l'esposizione e la clearance del busulfano in modo più accurato rispetto al dosaggio standard mg/kg, potenzialmente riducendo il rischio di sovra o sotto-esposizione precoce prima della disponibilità dei dati TDM.
3. Ruolo Complementare: Questi modelli sono proposti non come sostituti dei consolidati MIPD e dell'adattamento bayesiano, ma come uno strato complementare per supportare i clinici nell'identificare i pazienti ad alto rischio e nel raffinare i dosaggi iniziali.

Limitazioni e Direzioni Future
Il documento nota esplicitamente che questi risultati sono di natura generatrice di ipotesi a causa della natura retrospettiva e del singolo centro dello studio (n=71), il che comporta un rischio di overfitting. La mancanza di una coorte di validazione esterna indipendente e l'eterogeneità dei target di AUC tra i diversi protocolli di condizionamento limitano la generalizzabilità. Gli autori concludono che è necessaria una validazione prospettica multicentrica prima che questi modelli possano essere implementati nella pratica clinica di routine.