Utilisation du machine learning sur des données prospectives de vie réelle pour le développement d’un modèle de prédiction post opératoire du risque de récidive du cancer du rein localisé ou localement avancé (Étude UroCCR 120)

Abstract

Le carcinome à cellules rénales (CCR) est le plus souvent diagnostiqué à un stade localisé où la chirurgie est le traitement standard. Les scores pronostiques existants offrent des performances prédictives modérées, rendant difficile l'établissement de recommandations de suivi en post opératoire et la sélection des patients candidats à une thérapie adjuvante. L'objectif de cette étude est de développer un modèle de prédiction individuelle postopératoire de la survie sans maladie (SSM) en utilisant le "machine learning" (ML). Méthode : à partir de la base de données du réseau français de recherche sur le cancer du rein UroCCR, une cohorte de patients opérés d'un CCR (pT0-4, N0-1, M0) entre mai 2000 et janvier 2020 a été analysée. Les centres participants ont été assignés aléatoirement à la cohorte entrainement ou test avec un ratio de patients de 2:1. Plusieurs modèles de ML ont été entraînés sur l'ensemble des données d'entraînement. L'AUC intégrée (iAUC) sur la période de suivi (6, 60 mois après la chirurgie) a été choisie comme métrique d'optimisation. Les performances du meilleur modèle de ML ont ensuite été évaluées sur les données de test et comparées aux scores de risque habituels. Résultats : au total, 3372 patients ont été inclus et 480 d'entre eux ont présenté un événement au cours du suivi (médiane de 30 mois). Les meilleurs résultats de prédiction de la SSM ont été obtenus en utilisant une combinaison de modèles de Cox PH intégrant 24 variables avec une iAUC de 0.81 [IC95% 0.77 - 0.85]. Ce modèle a surpassé les performances prédictives de la plupart des scores de risque habituels tout en traitant les données incomplètes. Enfin, les patients ont été stratifiés en quatre groupes de pronostics distincts avec une bonne discrimination. Conclusion : notre étude suggère que le ML appliqué aux données de patients opérés d'un CCR offre de bonnes prédictions individuelles de la SSM par rapport aux scores pronostiques habituels.