Model Pembelajaran Mesin Memprediksi Efektivitas Terapi
Model pembelajaran mesin baru dapat mengurangi waktu untuk perawatan dengan cepat mengidentifikasi pasien mana yang paling mungkin merespons ICB daripada metode coba-coba saat ini.
Para peneliti di Universitas Teknologi Eindhoven beralih ke pembelajaran mesin untuk memprediksi dengan lebih baik apakah imunoterapi tertentu akan membantu pasien kanker. Model dalam makalah terbaru menunjukkan harapan dan bahkan mengungguli pendekatan klinis tradisional sejauh ini.
Memanfaatkan imunoterapi dalam memerangi kanker
Sel tumor bersembunyi dari pertahanan alami tubuh, membuat kanker sangat sulit untuk ditargetkan dan diobati. Sel tumor memblokir respons imun alami tubuh tetapi imunoterapi dapat membangunkannya kembali untuk beberapa pasien. Masalahnya adalah menemukan sejak dini pasien mana yang paling mungkin merespons.
Salah satu terapi tersebut, immune checkpoint blockers (ICB), memberitahu sel-sel kekebalan untuk mengabaikan perintah penutupan yang dikeluarkan oleh sel-sel kanker yang mencoba bersembunyi. Meskipun ini merupakan penemuan revolusioner, hanya sekitar sepertiga pasien kanker yang merespon pengobatan tersebut.
Model pembelajaran mesin baru dapat mengurangi waktu untuk perawatan dengan cepat mengidentifikasi pasien mana yang paling mungkin merespons ICB daripada metode coba-coba saat ini. Model ini juga dapat membantu memastikan pasien yang kemungkinan tidak akan merespons menerima perawatan tepat waktu sebagai gantinya. Model tersebut juga dapat mengungkap dengan tepat mengapa dua pertiga pasien lainnya tidak merespons.
Lihat juga: AI Dapat Membuka Era Baru Uji Klinis
Cara kerja model pembelajaran mesin
Pembelajaran mesin mengeksplorasi biomarker tumor dari sampel pasien. Ini mengeksplorasi bagaimana penanda ini berkomunikasi dengan sel lain yang menyebabkan respons terhadap ICB atau menolaknya. Dari sana, mesin dapat belajar dari sampel pasien untuk mengidentifikasi pasien masa depan mana yang membawa biomarker yang sama yang menunjukkan keberhasilan ICB.
Menggunakan pembelajaran mesin bukanlah metode baru, tetapi para peneliti menambahkan trik kecil untuk mengungkap masalah akses data yang terus-menerus. Meskipun set data pengurutan RNA tersedia secara luas, yang khusus untuk respons kanker terbatas. Para peneliti menggunakan beberapa respon imun pengganti. Bersama-sama, mereka dapat menunjukkan respons ICB yang positif.
Saat diuji terhadap deteksi biomarker saat ini, model tersebut berkinerja lebih baik. Ini juga dapat berguna untuk mengidentifikasi penanda mana yang paling penting dalam mengumpulkan respons imun yang diinginkan. Ini adalah langkah lain dalam memberikan obat yang dipersonalisasi dalam kemitraan dengan dokter dan profesional perawatan kesehatan.
