AURORA: Analysing and understanding responses to oncological regimens with artificial intelligence
Deze studie toont aan dat machine learning-analyse van baseline en vroege dynamische verschuivingen in perifere immuunprofielen, in plaats van absolute aantallen na twee cycli, de overlevingsuitkomsten bij patiënten met uitgebreide kleine cel longkanker die behandeld worden met immunochemotherapie, kan voorspellen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Longitudinale longkanker komt in veel vormen voor, maar een van de meest agressieve is kleincellige longkanker. Het groeit snel en verspreidt zich vaak nog voordat het wordt ontdekt. Decennialang hebben artsen de gevorderde stadia van deze ziekte behandeld met een standaardmix van chemotherapiemedicijnen. Recentelijk is er een nieuwe benadering aan deze mix toegevoegd: een type behandeling dat immunochemotherapie wordt genoemd. Dit combineert de traditionele medicijnen met een middel dat de patiënt helpt om het eigen immuunsysteem te laten herkennen en de kanker aan te vallen. Hoewel deze nieuwe combinatie heeft geholpen om patiënten iets langer te laten leven, werkt het niet voor iedereen. De grootste uitdaging voor artsen is om vooraf te weten welke patiënten er baat bij zullen hebben en welke niet. Momenteel zijn er geen betrouwbare tests om dit te voorspellen. De kankercellen zelf geven niet altijd het antwoord, dus wetenschappers zijn elders naar aanwijzingen gaan zoeken, specifiek naar het leger aan immuuncellen die in het bloed van een patiënt circuleren.
Een team onderzoekers in Duitsland begon te onderzoeken of zij deze aanwijzingen konden vinden door te kijken naar hoe de immuuncellen van een patiënt veranderen terwijl deze de behandeling ondergaat. Ze richtten zich op tweeëndertig patiënten met gevorderde kleincellige longkanker die de nieuwe immunochemotherapie kregen. De onderzoekers namen bloedmonsters van deze patiënten voordat de behandeling begon en opnieuw nadat zij twee rondes van de therapie hadden voltooid. Met behulp van een hoogtechnologische methode genaamd flowcytometrie, die minuscule cellen in een vloeistof kan tellen en identificeren, brachten ze de verschillende typen immuuncellen in kaart die op elk stadium aanwezig waren. Ze zochten naar een patroon, een specifieke verschuiving in de balans van deze cellen die zou kunnen signaleren of een patiënt langer zou overleven.
Om de complexe data te begrijpen, gebruikten de onderzoekers geavanceerde computerprogramma's die ontworpen zijn om patronen te vinden die het menselijk oog misschien mist. Ze testten twee hoofdideeën. Ten eerste vroegen ze zich af of de mix van immuuncellen die een patiënt had voordat de behandeling begon, hun uitkomst kon voorspellen. Ten tweede vroegen ze zich af of de verandering in die cellen na twee rondes van de behandeling een betere voorspeller was dan de aantallen die op een enkel punt in de tijd werden gezien. Ze vergeleken de immuunprofielen van patiënten die langer leefden met diegenen die dat niet deden, waarbij ze een rigoureuze methode gebruikten die de data herhaaldelijk testte om er zeker van te zijn dat de resultaten niet slechts een gelukkige gok waren.
De computeranalyse onthulde een duidelijke en verrassende waarheid. Het absolute aantal immuuncellen dat een patiënt had na twee rondes van de behandeling, vertelde hen niets over hoe lang die patiënt zou leven. De specifieke celtellingen op dat moment waren geen nuttig teken. Echter, het verhaal was heel anders wanneer de onderzoekers keken naar de verandering in het immuunsysteem. Ze ontdekten dat patiënten wiens immuunsysteem op een specifieke manier verschoof tussen het begin van de behandeling en de tweede ronde, een significant grotere overlevingskans hadden. Deze verschuiving hield een herbalancering in van verschillende immuunkrachten: een vermindering van bepaalde cellen die gewoonlijk de immuunrespons onderdrukken en een normalisatie van andere cellen die helpen bij het bestrijden van de ziekte.
De studie keek ook naar de immuuncellen die aanwezig waren voordat er enige behandeling begon. De computermodellen vonden dat zelfs dit initiële snapshot van het immuunsysteem waardevolle informatie bevatte. Patiënten met een bepaalde basale arrangement van immuuncellen hadden meer kans op een betere uitkomst, zelfs voordat de behandeling was gestart. Dit suggereert dat de starttoestand van iemands immuunsysteem er net zo zeer toe doet als hoe het lichaam op de medicijnen reageert. De onderzoekers identificeerden specifieke typen cellen die deze voorspellingen leken te drijven, waaronder bepaalde regulatoire cellen en geheugencellen, die fungeren als de dossierhouders van het immuunsysteem.
Ondanks deze veelbelovende bevindingen, merken de onderzoekers voorzichtig op dat hun studie klein was, waarbij slechts tweeëndertig mensen betrokken waren, en dat veel patiënten uit de studie uitvielen naarmate de ziekte vorderde. Daarom kunnen de resultaten het beste worden beschouwd als een bewijs van concept (proof of concept) in plaats van een definitief antwoord. De studie laat zien dat het kijken naar de dynamische beweging van immuuncellen in het bloed een nieuwe manier biedt om te begrijpen hoe het lichaam op kankerbehandeling reageert. Het suggereert dat de reis van het immuunsysteem — hoe het beweegt en verandert — een krachtigere indicator is van succes dan een enkele snapshot van de omvang ervan. Deze benadering opent een deur voor toekomstig onderzoek, waarbij artsen op een dag eenvoudige bloedtests zouden kunnen gebruiken om deze verschuivingen te volgen en behandelingen af te stemmen op het unieke immuunritme van elke patiënt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.