Ausgangslage
Die Ermittlung der wirksamsten, individuell auf die Patientin zugeschnittene Therapie ist ein lang ersehntes Ziel in der Brustkrebsbehandlung. Prof. MD. Michel Aguet, Molekularbiologe an der EPFL in Lausanne, wollte herausfinden, ob die Exploris AI-X Engine zur Optimierung der Therapie für Brustkrebspatientinnen eingesetzt werden kann. Für einige dieser Patientinnen mag eine Operation mit Bestrahlung ausreichen, andere benötigen zusätzliche Behandlungen wie eine Chemotherapie, eine zusätzliche Hormontherapie oder mehr. Viele Patientinnen erhalten mehr Behandlungen als nötig, was eine oft schwere körperliche und psychische Belastung bedeutet. Eine verlässliche Vorhersage desFortschreitens von Brustkrebs und des Überlebens der Patientin ist derSchlüssel zu einer individualisierten Therapie.
Resultat
Prof. Aguet und sein Team stellten Daten von 1249 Genexpressionsprofilen von Primärtumorproben zur Verfügung mit dem Ziel, Ärzten zu helfen, fundiertere Entscheidungen darüber zu treffen, welche Behandlung für ihre Patientinnen am sinnvollsten ist und auf welche Therapie allenfalls verzichtet werden kann. Mit unserer fortschrittlichen AI-X-Engine waren wir in der Lage ein Modell zu entwickeln, welches genaue Vorhersagen über das Fortschreiten der Krankheit ermöglichte, um damit Behandlungspläne zu optimieren. Die Genauigkeit des Modells, gemessen an der Kaplan-Meier-Kurve, übertraf die Resultate der bekannten, niederländischen Van-de-Vijver-Studie (2002)[1] Daten um 30%. Dies ist eine erhebliche Verbesserung, die das Potenzial von KI-unterstützten Behandlungsentscheidungen in Bezug auf Sicherheit und Vereinfachung aufzeigt.
[1] van de Vijver MJ, He YD, van't Veer LJ, Dai H, HartAA, Voskuil DW, Schreiber GJ, Peterse JL, Roberts C, Marton MJ, Parrish M,Atsma D, Witteveen A, Glas A, Delahaye L, van der Velde T, Bartelink H,Rodenhuis S, Rutgers ET, Friend SH, Bernards R. A gene-expression signature asa predictor of survival in breast cancer. N Engl J Med. 2002 Dec19;347(25):1999-2009. doi: 10.1056/NEJMoa021967. PMID: 12490681.
