ISSN (print) 1997-6933     ISSN (online) 2500-2139
Том 17 № 3 (2024), ЛИМФОИДНЫЕ ОПУХОЛИ
Том 17 № 3 (2024)
ЛИМФОИДНЫЕ ОПУХОЛИ

Множественная миелома: моделирование сценариев терапии с использованием метода Монте-Карло

Опубликовано 01.07.2024
Александр Сергеевич Лучинин
ФГБУН «Кировский НИИ гематологии и переливания крови ФМБА», ул. Красноармейская, д. 72, Киров, Российская Федерация, 610027
https://orcid.org/0009-0006-0020-3168
А.А. Семенова
ФГБУ «НМИЦ онкологии им. Н.Н. Блохина» Минздрава России, Каширское ш., д. 24, Москва, Российская Федерация, 155522
https://orcid.org/0000-0003-4951-3053
С.В. Семочкин
ФГАОУ ВО «РНИМУ им. Н.И. Пирогова» Минздрава России, ул. Островитянова, д. 1, Москва, Российская Федерация, 117997; МНИОИ им. П.А. Герцена — филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2-й Боткинский пр-д, д. 3, Москва, Российская Федерация, 125284
https://orcid.org/0000-0002-8129-8114
2024-3
PDF_2024-17-3_246-255

Ключевые слова

множественная миелома
лечение
система поддержки принятия врачебных решений
метод Монте-Карло

Как цитировать

Лучинин А.С., Семенова А.А., Семочкин С.В. Множественная миелома: моделирование сценариев терапии с использованием метода Монте-Карло. Клиническая онкогематология. 2024;(3):246–255. doi:10.21320/2500-2139-2024-17-3-246-255.
ACM ACS APA ABNT Chicago Harvard IEEE MLA Turabian Vancouver AMA ГОСТ

Скачать ссылку

Endnote/Zotero/Mendeley (RIS) BibTeX

Ключевые слова

Аннотация

ЦЕЛЬ. Разработка информационно-справочной системы для врачей-гематологов по эффективному подбору терапии при множественной миеломе (ММ) через моделирование и прогнозирование ответа на лечение с учетом характеристик, определяющих клинический профиль пациента, на основе анализа данных из открытых научных источников.

МАТЕРИАЛЫ И МЕТОДЫ. Всего в анализ включено 145 терапевтических опций и 56 217 пациентов с ММ из 311 клинических исследований, результаты которых опубликованы в научной медицинской литературе в период с 2003 по 2024 г. Для моделирования сценариев терапии применяли метод Монте-Карло, с помощью которого вычисляли вероятность достижения очень хорошего частичного ответа и более у пациентов с различными характеристиками, определяющими не только клинический профиль, но и варианты противоопухолевой терапии.

РЕЗУЛЬТАТЫ. В настоящем исследовании разработано интерактивное онлайн-приложение под названием М-БОТ (доступно на сайте: oncotriage.ru), которое позволяет прогнозировать ответ на лечение при определенных заданных условиях и визуализировать результат в виде ранжирования терапевтических опций через интерфейс пользователя в реальном времени. Помимо характеристик, связанных с клиническим профилем пациента, которые учитываются при выборе терапии ММ, имеется возможность отбора исследований по их типу и числу включенных в них пациентов.

ЗАКЛЮЧЕНИЕ. Рекомендации по лечению, полученные на основе моделирования различных сценариев терапии ММ методом Монте-Карло, позволяют значительно расширить возможности, связанные с быстрым поиском достоверной научной информации, подтверждающей выбор наиболее оптимальной терапевтической опции в конкретной клинической ситуации. В будущем такой подход может служить основой для формирования системы поддержки принятия индивидуальных и консенсусных врачебных решений. Он позволит прогнозировать эффективность многоэтапных стратегий лечения у больных ММ с включением нескольких линий терапии, а также их безопасность.

PDF_2024-17-3_246-255

Библиографические ссылки

  1. Rajkumar SV, Harousseau J-L, Durie B, et al. Consensus recommendations for the uniform reporting of clinical trials: report of the International Myeloma Workshop Consensus Panel 1. Blood. 2011;117(18):4691–45. doi: 10.1182/blood-2010-10-299487.
  2. Andreozzi F, Dragani M, Quivoron C, et al. Precision Medicine Approach Based on Molecular Alterations for Patients with Relapsed or Refractory Multiple Myeloma: Results from the MM-EP1 Study. Cancers. 2023;15(5):1508. doi: 10.3390/cancers15051508.
  3. Hanbali A, Hassanein M, Rasheed W, et al. The Evolution of Prognostic Factors in Multiple Myeloma. Adv Hematol. 2017;2017:4812637. doi: 10.1155/2017/4812637.
  4. Joseph NS, Kaufman JL, Dhodapkar MV, et al. Long-Term Follow-Up Results of Lenalidomide, Bortezomib, and Dexamethasone Induction Therapy and Risk-Adapted Maintenance Approach in Newly Diagnosed Multiple Myeloma. J Clin Oncol. 2020;38(17):1928–37. doi: 10.1200/JCO.19.02515.
  5. Stewart AK, Rajkumar SV, Dimopoulos MA, et al. Carfilzomib, lenalidomide, and dexamethasone for relapsed multiple myeloma. N Engl J Med. 2015;372(2):142–52. doi: 10.1056/NEJMoa1411321.
  6. Avet-Loiseau H, Bahlis NJ, Chng W-J, et al. Ixazomib significantly prolongs progression-free survival in high-risk relapsed/refractory myeloma patients. Blood. 2017;130(24):2610–8. doi: 10.1182/blood-2017-06-791228.
  7. Hosen N. Chimeric antigen receptor T-cell therapy for multiple myeloma. Int J Hematol. 2020;111(4):530–4. doi: 10.1007/s12185-020-02827-8.
  8. Khanam R, Ashruf OS, Waqar SHB, et al. The Role of Bispecific Antibodies in Relapsed Refractory Multiple Myeloma: A Systematic Review. Antibodies (Basel, Switzerland). 2023;12(2):38. doi: 10.3390/antib12020038.
  9. Rajkumar SV, Kumar S. Multiple myeloma current treatment algorithms. Blood Cancer J. 2020;10(9):1–10. doi: 10.1038/s41408-020-00359-2.
  10. Bergin K, McQuilten Z, Moore E, et al. Myeloma in the Real World: What Is Really Happening? Clin Lymphoma Myeloma Leuk. 2017;17(3):133–144.e1. doi: 10.1016/j.clml.2016.12.002.
  11. Jeon M, Kaufman C, Rabe-Hesketh S. Monte Carlo local likelihood approximation. Biostatistics (Oxford, England). 2019;20(1):164–79. doi: 10.1093/biostatistics/kxx070.
  12. Kaiser MF, Hall A, Walker K, et al. Depth of response and minimal residual disease status in ultra high-risk multiple myeloma and plasma cell leukemia treated with daratumumab, bortezomib, lenalidomide, cyclophosphamide and dexamethasone (Dara-CVRd): Results of the UK optimum/MUKnine trial. J Clin Oncol. 2021;39(15_suppl):8001. doi: 10.1200/JCO.2021.39.15_suppl.8001.
  13. Yashar D, Spektor TM, Martinez D, et al. A phase 2 trial of the efficacy and safety of elotuzumab in combination with pomalidomide, carfilzomib and dexamethasone for high-risk relapsed/refractory multiple myeloma. Leuk Lymphoma. 2022;63(4):975–83. doi: 10.1080/10428194.2021.2005044.
  14. Leypoldt LB, Besemer B, Asemissen AM, et al. Isatuximab, carfilzomib, lenalidomide, and dexamethasone (Isa-KRd) in front-line treatment of high-risk multiple myeloma: interim analysis of the GMMG-CONCEPT trial. Leukemia. 2022;36(3):885–8. doi: 10.1038/s41375-021-01431-x.
  15. Zhou X, Ruckdeschel A, Peter J, et al. Salvage therapy with “Dara-KDT-P(A)CE” in heavily pretreated, high-risk, proliferative, relapsed/refractory multiple myeloma. Hematol Oncol. 2022;40(2):202–11. doi: 10.1002/hon.2949.
  16. Weisel K. Isatuximab, Carfilzomib, Lenalidomide, and Dexamethasone (Isa-KRd) in Patients with High-Risk Newly Diagnosed Multiple Myeloma: Planned Interim Analysis of the GMMG-Concept Trial (Internet). ASH; 2022. Available from: https://www.myeloma.org/videos/isatuximab-carfilzomib-lenalidomide-dexamethasone-isa-krd-patients-high-risk-newly-diagnosed (accessed 03.04.2024).
  17. Mai EK, Benner A, Bertsch U, et al. Single versus tandem high-dose melphalan followed by autologous blood stem cell transplantation in multiple myeloma: long-term results from the phase III GMMG-HD2 trial. Br J Haematol. 2016;173(5):731–41. doi: 10.1111/bjh.13994.
  18. Mosquera Orgueira A, Gonzalez Perez MS, Diaz Arias JA, et al. Survival prediction and treatment optimization of multiple myeloma patients using machine-learning models based on clinical and gene expression data. Leukemia. 2021;35(10):2924–35. doi: 10.1038/s41375-021-01286-2.
  19. Zheng B, Yi K, Zhang Y, et al. Multi-omics analysis of multiple myeloma patients with differential response to first-line treatment. Clin Exp Med. 2023;23(7):3833–46. doi: 10.1007/s10238-023-01148-4.
  20. Settino M, Arbitrio M, Scionti F, et al. MMRF-CoMMpass Data Integration and Analysis for Identifying Prognostic Markers. In: Computational Science – ICCS 2020 Springer; 2020. рр. 564–71. doi: 10.1007/978-3-030-50420-5_42.
  21. Лучинин А.С. Искусственный интеллект в гематологии. Клиническая онкогематология. 2022;15(1):16–27. doi: 10.21320/2500-2139-2022-15-1-16-27. [Luchinin A.S. Artificial Intelligence in Hematology. Clinical oncohematology. 2022;15(1):16–27. doi: 10.21320/2500-2139-2022-15-1-16-27. (In Russ)]
  22. van Beurden-Tan CHY, Sonneveld P, Groot CAU. Multinomial network meta-analysis using response rates: relapsed/refractory multiple myeloma treatment rankings differ depending on the choice of outcome. BMC Cancer. 2022;22(1):591. doi: 10.1186/s12885-022-09571-8.
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-ShareAlike» («Атрибуция — Некоммерческое использование — На тех же условиях») 4.0 Всемирная.

Copyright (c) 2024 Клиническая онкогематология