Une équipe multi-institutionnelle, dont un Laboratoire national Lawrence Livermore (LLNL), a proposé un cadre pour les modèles de jumeaux numériques de patients atteints de cancer qui, selon les chercheurs, créerait un « changement de paradigme » pour l’oncologie prédictive.
Publié en ligne dans Médecine naturelle le 25 novembre, le cadre proposé pour les jumeaux numériques de patients atteints de cancer (CPDT) – des représentations virtuelles de patients atteints de cancer à l’aide de données en temps réel – combinerait la modélisation et la simulation de calcul haute performance, l’inférence de modèle et les données cliniques pour faire des prédictions de traitement et des soins de santé individualisés décisions pour les patients atteints de cancer. Une fois pleinement réalisés, les CDPT refléteraient les caractéristiques moléculaires, physiologiques et de mode de vie d’un patient au fur et à mesure qu’elles évoluent au fil du temps et à travers différents traitements, et aideraient à « inaugurer une nouvelle ère en médecine » en augmentant la probabilité de soins optimaux, ont conclu les auteurs.
Un cadre proposé pour les jumeaux numériques de patients atteints de cancer (CPDT) – des représentations virtuelles de patients atteints de cancer à l’aide de données en temps réel – combinerait la modélisation et la simulation de calcul haute performance, l’inférence de modèle et les données cliniques pour faire des prédictions de traitement et des décisions de soins de santé individualisées pour les patients atteints de cancer. Illustration de Jeannette Yusko et Janelle Cataldo/LLNL.
« Les CPDT sont un grand défi dans cette convergence croissante du calcul haute performance et de l’oncologie », a déclaré la contributrice Amy Gryshuk, qui dirige le bureau des engagements scientifiques stratégiques de LLNL. « Ils ont un potentiel énorme pour faire progresser la médecine prédictive, mais pour tenir cette promesse, nous devrons intégrer des données multi-échelles et multimodales pour ensuite créer et tester des modèles dynamiques à grande échelle. »
Le concept du CDPT est né d’un partenariat entre les laboratoires du Département de l’énergie, le National Cancer Institute (NCI), les universités et l’industrie, qui ont formé le Envisager des innovations informatiques pour les défis liés au cancer (ECCIC) en 2019. LLNL a accueilli la première réunion de l’ECCIC – co-organisée par Gryshuk – qui a étudié le carrefour de l’informatique de pointe et de la recherche sur le cancer et a donné naissance à l’idée.
Dans le cadre proposé, les chercheurs créeraient un ensemble de données multi-échelles et multimodales à partir de données de patients au niveau individuel, ainsi que d’essais cliniques et d’études de population, pour former des modèles mécanistes et d’intelligence artificielle (IA). Il aborderait les changements à travers les échelles de temps, du niveau moléculaire au niveau de la population, et à mesure que l’état de la maladie du patient évolue, le jumeau numérique incorporerait des données d’observation en temps réel pour prédire les états futurs.
Les chercheurs envisagent que les cliniciens utiliseront les CPDT pour effectuer des expériences virtuelles, simulant la trajectoire de la maladie du patient sous différents traitements. À chaque visite avec un clinicien, les prédictions seraient comparées à des mesures réelles pour évaluer les performances du jumeau numérique et les mettre à jour dans une boucle « d’apprentissage continu » pour éclairer la prise de décision du patient.
En plus des prédictions individuelles des patients, les CPDT fourniront aux décideurs politiques des informations sur les thérapies contre le cancer les plus prometteuses, informant les investissements et l’allocation des ressources et aidant les systèmes de santé à mieux répondre aux situations de santé publique en temps réel, ont rapporté les chercheurs.
Alors que les CPDT pourraient révolutionner la façon dont le cancer et une foule d’autres maladies complexes sont traités et gérés, les auteurs ont averti que la communauté scientifique devrait surmonter les obstacles dans les données, la modélisation et l’intégration, ainsi que les préoccupations éthiques. Les données devront être capturées dans diverses populations et selon les principes FAIR (trouverabilité, accessibilité, interopérabilité, réutilisabilité) pour s’assurer qu’elles ne renforcent pas les biais préexistants, a conclu l’équipe.
L’article implique des chercheurs de l’Université de Stanford, de l’Université de l’Indiana et du NCI, et comprend des co-auteurs du Frederick National Laboratory for Cancer Research, du IBM Almaden Research Center et de l’Institute for Systems Biology.
La source: LLNL
