Die vorgestellten Ergebnisse wurden durch einen zweistufigen Modellierungsprozess erzielt, bei dem zunächst ein etabliertes mechanistisches Modell der ICI-Therapie bei soliden Tumoren auf eine retrospektive Patientenkohorte angewendet wurde. Anschließend wurden die Ausgaben des mechanistischen Modells mit zusätzlichen, oft nicht-mechanistischen Patientendaten kombiniert, um ein künstliches neuronales Netzwerk (ANN) zur Vorhersage der Überlebenswahrscheinlichkeiten von Patienten zu trainieren. Dieser Ansatz generiert Funktionen, die die Wahrscheinlichkeit eines Patienten eines Todesereignisses im Laufe der Zeit beschreiben.
In einer allgemeineren Bedeutung handelt es sich um eine Zeit-zu-Ereignis-Vorhersage, bei der der Startzeitpunkt als die Zeit der ersten Verabreichung des ICI-Medikaments definiert wird, das Ereignis als Patiententod definiert ist und Patienten nach dem Zeitpunkt des letzten Follow-ups zensiert werden. Im Rahmen dieser Arbeit wurde der Fokus auf die Methode der logistischen Hazard-Methode gelegt, da diese eine bessere Leistung als andere diskrete Methoden bei kleinen Stichproben bietet und das Hauptziel darin besteht, die Hypothese zu testen, dass mechanistische + klinische Parameter zu einer überlegenen DL-Modellleistung führen werden.
Die mathematische Modellierung des mechanistischen biologischen und physikalischen Prozesses, der der Checkpoint-Inhibitor-Therapie zugrunde liegt, wird durch klinisch messbare Größen informiert, um die Behandlungsreaktion und den Patientenverlauf vorherzusagen. Daraus wurde ein mathematisches Modell entwickelt, das die Gesamt-Tumorlast über die Zeit beschreibt und auf verschiedenen biologischen und physikalischen Faktoren basiert, die unter der ICI-Immuntherapie eine Rolle spielen.
Die Modellierung des DL-Algorithmus basierte auf einer trainierten künstlichen neuronalen Netzwerk für die Vorhersage der individuellen Patientenüberlebensraten. Die Daten wurden vorverarbeitet und in einem 2-Stufen Modellierungsschema in PyCox und PyTorch trainiert. Anschließend erfolgte die Bewertung der Vorhersagegenauigkeit anhand verschiedener Bewertungsfunktionen wie dem Ereigniszeit-Konkordanzindex und dem Brier-Score.
Zusammenfassend zeigt diese Arbeit, wie ein hybrider Ansatz, der mechanistische Modelle mit klinischen Daten kombiniert und in einem künstlichen neuronalen Netzwerk trainiert, zu genaueren Vorhersagen des Überleben von Patienten führen kann. Durch Methods wie Feature-Importance-Analysen wurde untersucht, welche Parameter und Variablen den größten Einfluss auf die Vorhersagegenauigkeit des Modells haben.