Développement d'un modèle prédictif du caractère réfractaire à l'iode radioactif des cancers de souche folliculaire métastatiques de la thyroïde - MOLPROREF-AI
P. Leducq*a (Dr)
a Interne Pitié Salpêtrière, Paris, FRANCE
* pauline.ldq@gmail.com
Objectif : Les patients ayant un cancer thyroïdien de souche vésiculaire avec métastase à distance sont réfractaires à l’iode radioactif (RAIR) dans 2/3 des cas. Notre objectif était de prédire, dès le diagnostic, le caractère RAIR et les formes les plus agressives.
Méthode : Étude rétrospective incluant des patients avec cancer thyroïdien de souche vésiculaire, métastatiques au diagnostic. Mise au point d’un algorithme d’intelligence artificielle incluant des paramètres cliniques, biologiques, génétiques et histologiques, avec entraînement du modèle, validation interne et sur une cohorte externe.
Résultats : 195 patients ont été inclus dont 65% RAIR, 17% agressifs (définis par la survenue d'un évènement nécessitant un traitement systémique et/ou locorégional dans les 36 mois suivant la chirurgie initiale). 5 caractéristiques interviennent dans l’algorithme prédisant la survenue d’un cancer RAIR : stade tumoral pTNM, âge, site métastatique (pulmonaire), existence et type d’anomalie génétique. 6 caractéristiques interviennent dans l’algorithme prédisant la survenue d’une forme agressive : sexe, nombre de sites métastatiques, site hépatique, existence et type d'anomalie génétique, diamètre du foyer principal. Les scores prédictifs du caractère réfractaire et des formes agressives ont montré un pouvoir discriminant élevé (valeur seuil de Youden 0.72 et 0.13 respectivement), avec une sensibilité de 65 % et 94 %, une spécificité de 84% et 70% respectivement, une aire sous la courbe (ASC) de 0.78 (0.07) et 0.83 (0.07) respectivement.
Discussion : La prédiction du caractère réfractaire à l’iode et des formes les plus agressives devrait améliorer le pronostic de ces patients. La perspective est l’inclusion de données radiomiques dans l’algorithme pour améliorer la prédiction.
Auteurs : P. Leducq1, O. Saut2, E. Guillerm3,4 J. Wassermann4,5, F. Pani1, L. Jaffrelot5, C. Lussey4,6, L. Lamartina 7, J. Hadoux7, G. Deniziaut 4,8, F. Coulet 3,4, C. Buffet1,4,9
1 Service de Pathologies thyroïdiennes et tumorales endocrines, Assistance Publique-Hôpitaux de Paris.Sorbonne Université, Hôpital Pitié-Salpêtrière
2 Modelisation in Oncology (MOnc) Team, INRIA Bordeaux-Sud-Ouest, CNRS UMR 5251, Université de Bordeaux, 33405 Talence, France.
3 UF d’Onco-angiogénétique et Génomique des tumeurs solides Département de Génétique Médicale AP-HP.Sorbonne Université
4 Groupe de Recherche Clinique n°16 Tumeurs Thyroïdiennes, Sorbonne Université, France
5 Service d’oncologie médicale AP-HP. Sorbonne Université, Hôpital Pitié-Salpêtrière
6 Unité de Radiothérapie Interne Vectorisée, Service de Médecine Nucléaire, AP-HP. Sorbonne Université, Hôpital Pitié-Salpêtrière
7 Service de cancérologie endocrine, département d’Imagerie médicale, Gustave-Roussy, Villejuif, France
8 Service d'Anatomie et de Cytologie Pathologiques AP-HP.Sorbonne Université, Hôpital Pitié-Salpêtrière
9 Inserm U1146, CNRS UMR 7371, Paris, France
L’auteur n’a pas transmis de déclaration de conflit d’intérêt.