Prise en compte d'événements multiples pour analyser et prédire l'évolution d'un cancer

Abstract

Le nombre croissant d’essais cliniques pour le traitement du cancer a conduit à la standardisation de l’évaluation de la réponse tumorale. Dans les essais cliniques de phase III des cancers avancés, la survie sans progression est souvent appliquée comme un critère de substitution pour la survie globale. Pour les tumeurs solides, la progression est généralement définie par les critères RECIST qui utilisent l’information sur le changement de taille des lésions cibles et les progressions de la maladie non-cible. Malgré leurs limites, les critères RECIST restent l’outil standard pour l’évaluation des traitements. En particulier, la taille tumorale mesurée au cours de temps est utilisée comme variable ponctuelle catégorisée pour identifier l’état d’un patient. L’approche statistique de la modélisation conjointe permet une analyse plus précise des marqueurs de réponse tumorale et de la survie. En outre, les modèles conjoints sont utiles pour les prédictions dynamiques individuelles. Dans ce travail, nous avons proposé d’appliquer un modèle conjoint trivarié pour des données longitudinales (taille tumorale), des évènements récurrents (les progressions de la maladie non-cible) et la survie. En utilisant des mesures de capacité prédictive, nous avons comparé le modèle proposé avec un modèle pour les progressions tumorales, définies selon les critères standards et la survie. Pour un essai clinique randomisé porté sur le cancer colorectal, nous avons trouvé une meilleure capacité prédictive du modèle proposé. Dans la deuxième partie, nous avons développé un logiciel en libre accès pour l’application de l’approche de modélisation conjointe proposée et les prédictions. Enfin, nous avons étendu le modèle à une analyse plus sophistiquée de l’évolution tumorale à l’aide d’un modèle mécaniste. Une équation différentielle ordinaire a été mise en œuvre pour décrire la trajectoire du marqueur biologique en tenant compte les caractéristiques biologiques de la croissance tumorale. Cette nouvelle approche contribue à la recherche clinique sur l’évaluation d’un traitement dans les essais cliniques grâce à une meilleure compréhension de la relation entre la réponse tumorale et la survie.