Atezolizumab è un inibitore dei checkpoint immunitari anti PD-L1, che ha dimostrato la capacità di migliorare la sopravvivenza in diversi tipi di malattie oncologiche.

Ad oggi, però, non esiste un modello prognostico in grado di individuare in modo affidabile i pazienti con maggiore o minore probabilità di risposta a questo farmaco.

Per ovviare a questo problema, un gruppo di ricerca cinese ha costruito un modello di stratificazione dei pazienti basato su Machine Learning (ML).

Il ML è una branca dell’intelligenza artificiale che consente di superare i limiti dei tradizionali modelli statistici utilizzati per la predizione del rischio.

Il ML si avvale di specifici algoritmi capaci di valutare basi di dati molto ampie, con numerosi parametri, e di individuare correlazioni multidimensionali estremamente complesse tra questi parametri e gli esiti clinici. I ricercatori cinesi hanno applicato diversi algoritmi di ML all’analisi dei dati di 2538 pazienti trattati con atezolizumab in monoterapia per il tumore polmonare non a piccole cellule, per il carcinoma della vescica a cellule di transizione o per il carcinoma a cellule renali.

L’algoritmo che ha mostrato la migliore capacità predittiva della mortalità durante il trattamento con atezolizumab è risultato il Random Forest: si tratta di un modello basato su 12 variabili (proteina C reattiva, livelli di PD-L1, tipo di neoplasia, precedente metastasi epatica, rapporto neutrofili/linfociti, fosfatasi alcalina, albumina, emoglobina, conta dei linfociti, numero di siti metastatici, pulse rate ed ECOG performance status).

Secondo gli autori dello studio, questo modello rappresenta un valido strumento per individuare, già al momento dell’inizio della monoterapia con atezolizumab, i pazienti con maggiore probabilità di esiti avversi e quelli destinati a trarre il maggiore beneficio dalla terapia.