Prognostic impact of minimal residual disease (MRD) predicted by machine learning for patients with myeloma eligible for autologous transplantation
Impact pronostique de la maladie résiduelle (MRD) prédite par Machine Learning pour les patients atteints de myélome éligibles à l’autogreffe
Résumé
Introduction: Achieving early undetectable minimal residual disease (MRD <10⁻⁵) using NGF or NGS is a powerful and validated intermediate survival criterion for all patients with multiple myeloma. Personalizing patient treatment from the time of diagnosis, based on the probability of achieving MRD negativity, could represent a new concept in personalized medicine, with rapid assessment of treatment success.
Objective: This work aims to develop, evaluate the performance, and study the prognostic impact of a Machine Learning model capable of predicting post-induction MRD status at the time of diagnosis.
Population and Methods: This study included 399 multiple myeloma patients who received first-line treatment with autologous stem cell transplantation. A total of 234 patients treated at the University Hospital of Dijon and 165 patients treated at 8 French IFM centers were used to train (n=278) and validate (n=121) a logistic regression model to predict post-induction MRD.
Results: The most effective model for predicting post-induction MRD included tumor cytogenetics [t(4;14) and del(17p13)], initial biology [hemoglobin, calcium, albumin, B2-MG, creatinine], and two clinical variables [administration of daratumumab and light-chain MM]. In the logistic regression, daratumumab (-0.912), light-chain MM (-0.537), and del(17p13) (+0.434) showed the greatest variation in odds ratios for MRD negativity. The performance of the model was evaluated on 121 predictions [n=71 from Dijon and n=50 from the IFM cohort]. The model achieved an accuracy of 69% [57%-79%] and 68% [54%-81%], with AUC-ROC curves of 70.5% [57.9%-83.0%] and 70.2% [55.1%-85.3%], respectively. In the internal validation cohort [n=71], a predicted positive MRD status was associated with a hazard ratio of disease progression of 3.1 (HR for PFS, 3.1; 95% CI, 1.3-7.6; P-value<0.014) compared to patients predicted with undetectable MRD.
Conclusion: It is possible to predict post-induction MRD status with satisfactory accuracy using an integrative and weighted Machine Learning model. This innovative approach paves the way for personalized medicine in the treatment of multiple myeloma.
Introduction : L’obtention précoce d’une maladie résiduelle indétectable (MRD <10-5) en NGF ou NGS
est un critère intermédiaire puissant et validé de survie pour tous les patients atteints de myélome multiple.
Individualiser le traitement des patients dès le diagnostic, sur la probabilité d’atteindre la MRD négativité
pourrait représenter un nouveau concept de médecine personnalisée, avec une évaluation rapide de son
succès.
Objectif : Ce travail propose le développement, l’évaluation des performances et l’étude de l’impact
pronostique d’un modèle de Machine Learning capable de prédire le statut de la MRD post-induction dès
le diagnostic de la maladie.
Population et méthodes : Cette étude a inclus 399 patients atteints de myélome multiple ayant reçu un
traitement de première ligne avec autogreffe de CSP. Un total de 234 patients pris en charge au CHU de
Dijon et 165 patients pris en charge dans 8 centres IFM français ont permis l’entraînement (n=278) et la
validation (n=121) d’un modèle de régression logistique prédictif de la MRD post-induction.
Résultats : Le modèle le plus efficace pour prédire la MRD post induction intégrait la cytogénétique
tumorale [t(4 ;14) et del(17p13)], la biologie initiale [hémoglobine ; calcémie ; albumine ; B2-MG ; créatinine] ainsi que 2 variables cliniques [administration de daratumumab et MM à chaînes légères]. Dans la
régression logistique, le daratumumab (-0,912), le MM à chaînes légères (-0,537) et la del(17p13) (+0,434)
traduisaient la plus grande variation d’odds ratio de MRD négativité. Les performances étaient évaluées
sur 121 prédictions [n=71 à Dijon et n=50 pour la cohorte IFM]. Le modèle atteignait une Accuracy de
69% [57%-79%] et de 68% [54%-81%] et les AUC des courbes ROC étaient de 70.5% [57.9%-83.0%] et 70.2%
[55.1%-85.3%] respectivement. Dans la cohorte de validation interne [n=71], la prédiction d’une MRD positive était associée à un hazard ratio de progression de la maladie à 3.1 (HR pour la SSP, 3.1 ; 95% IC, 1.3-7.6 ;
P-value<0.014) par rapport aux patients prédits MRD indétectable.
Conclusion : Il est possible de prédire avec une précision satisfaisante le statut de la maladie résiduelle
(MRD) post-induction à partir d’un modèle de Machine Learning intégratif et pondéré. Cette approche
innovante ouvre la voie d’une médecine personnalisée pour le traitement du myélome multiple.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
