Die Vorhersage, wie langfristig eine Immuntherapie (IO) bei Erkrankten mit NSCLC wirkt, ist eine entscheidende Herausforderung im Kontext der personalisierten Behandlung“, konstatierte Dr. Vanja Miškovic von der Thorax-Abteilung des Instituto Nazionale Tumori in Mailand. Jüngste Fortschritte bei der Analyse klinischer Real-World-und Labordaten mithilfe von KI-Technologien hätten bereits die Bedeutung solcher Vorhersagemodelle unter Beweis gestellt. Die beim ELCC vorgestellte Studie, die Dr. Miškovic präsentierte, hatte evaluiert, ob KI-basierte Vorhersageverfahren auch gute Ergebnisse erbringen, wenn sie auf umfangreiche Datenmengen, hier die Beobachtungsstudie APOLLO11, angewendet werden. Im Detail wurde untersucht, ob eine Vorhersage des Langzeitüberlebens unter IO-Therapie durch solche Verfahren gelingen kann.

Wie die Expertin berichtete, wurden die Daten von 1.031 NSCLC-Erkrankten im Stadium IIIB–IV (rund 80 % Nicht-Plattenepithelkarzinome) analysiert, die in sechs italienischen Einrichtungen im Rahmen der APOLLO11-Studie mit IO behandelt worden waren. In dieser Studienkohorte war ein medianes Gesamtüberleben von 12,7 Monaten erreicht worden. Eine auf maschinellem Lernen (ML) basierende Überlebensanalyse (COX-ML und Überlebens-ML-Modell) wurde verwendet, um das OS zu bewerten; Klassifikationsmodelle (logistische Regression und Random Forest) dienten darüber hinaus dazu, ein Langzeitüberleben (≥ 24 Monate) vorauszusagen. Erklärbare KI-Techniken wurden dazu eingesetzt, Schlüsselmerkmale für solch ein Langzeitüberleben zu bestimmen. 

Welche Faktoren beeinflussen den Therapieerfolg mit IO?

Als beste Modelle erwiesen sich COX-ML und Extra Survival Trees, die beide einen C-Index von 0,7 bzw. 0,68 bei Kreuzvalidierung und Test-Set erreichten. In einer SHAP(Shapley Additive Explanations)-Analyse zur Interpretation von ML-Modellen wurden die Parameter hoher ECOG Performance Status, Pleuraerguss, Leber- und Knochenmetastasen, PD-L1-Negativität sowie Plattenepithel-Histologie des Tumors als Hochrisikofaktoren für ein schlechtes Outcome identifiziert. 

Im Gegensatz dazu entpuppten sich ein niedriger ECOG-PS, ein jüngeres Lebensalter bei Therapiebeginn, eine hohe Lymphozytenzahl und eine niedrige Neutrophilen-zu-Lymphozyten-Ratio als Schlüsselvariablen für ein Langzeitüberleben unter IO-Therapie. Mit dem verwendeten Klassifikationsmodell konnte das Langzeitüberleben mit einer Genauigkeit von 0,78 und 0,77 AUC (Area Under the Curve) vorausgesagt werden.

„Unsere Ergebnisse untermauern die Bedeutung von klinischen und Labordaten zur Vorhersage der Wirksamkeit einer IO-Therapie“, betonte Dr. Miškovic. Die in der KI-basierten Untersuchung identifizierten Faktoren für ein langes Überleben unter IO-Therapie stimmten mit der klinischen Erfahrung vieler Therapeut:innen in der vergangenen Dekade überein. Das mache sie besonders glaubhaft, sagte die Expertin. In Zukunft könnten kosteneffiziente, KI-basierte Modelle dazu genutzt werden, Patient:innen mit guten Chancen auf ein Langzeitüberleben unter IO-Therapie zu identifizieren. Ärzt:innen könnten dadurch eine verbesserte und zunehmend maßgeschneiderte Beratung anbieten, die vor allem für jüngere Erkrankte und ihre Lebensplanung von großer Bedeutung wäre. 

Quelle:
Miškovic V et al. European Lung Cancer Congress 2025; Abstract 11MO