Algoritme met PET/CT voorspelt pCR na neoadjuvante chemo-immunotherapie

Onderzoek laat zien dat een algoritme gebaseerd op PET/CT-data een non-invasieve en effectieve methode is om de pathologische complete respons (pCR) te voorspellen na neoadjuvante chemo-immunotherapie voor NSCLC. Veel onderzoek richt zich op non-invasieve markers om de respons op systemische therapie bij longkanker te voorspellen. In studies en klinische situaties wordt fluorine-18 fluorodeoxyglucose PET (18F-FDG PET) gebruikt om de tumorrespons te meten, maar het was nog onbekend of en hoe 18F-FDG PET kon worden ingezet voor het non-invasief voorspellen van een pathologische complete respons.

De onderzoekers maakten bij 205 patiënten met NSCLC die neoadjuvante chemo-immunotherapie hadden gekregen een 18F-FDG PET/CT-scan na de systemische therapie. De groep werd verdeeld in een training- en een validatiecohort in een verhouding van 7:3. Relevante PET/CT-kenmerken werden geëvalueerd als individuele voorspellers en opgenomen in vijf machinelearningmodellen.

In totaal behaalden 91 patiënten (44,4%) een pathologisch complete respons. Het Light Gradient Boosting Machine (LightGBM)-algoritme presteerde beter dan de andere modellen en de individuele voorspellende factoren, met een gemiddelde area under the curve (AUC) van 0,87 (95%BI 0,78-0,97) in het trainingcohort en 0,83 (95%BI 0,72-0,94) in het validatiecohort. De belangrijkste bijdragende factoren aan het algoritme waren de tumor-SUVmax en het nodale volume na de chemo-immunotherapie.

De onderzoekers concluderen dat dit algoritme, gebaseerd op PET/CT-data, een non-invasieve en effectieve aanpak lijkt om de pCR na neoadjuvante chemo-immunotherapie te voorspellen.