MEDI-G-315 Médecine factuelle et pronostic

MEDI-G-315
Médecine factuelle et pronostic
Prof Thierry Berghmans
MEDI-G-315
1
Comment prédire le pronostic d’un
patient?
MEDI-G-315
2
Facteur pronostique vs facteur prédictif
• Facteur pronostique
• Facteur prédictif
• Facteur corrélé à un
critère d’évaluation utilisé
pour prédire le futur du
patient indépendamment
du traitement appliqué
• Facteur permettant de
prédire l’efficacité du
traitement proposé
MEDI-G-315
3
Facteur pronostique vs facteur prédictif
Un patient de 25 ans présente une pneumonie à
S. pneumoniae. Les hémocultures sont positives
• Facteur pronostique
• La présence d’une
bactériémie est un facteur
de mauvais pronostic en
cas de pneumonie, même
si l’antibiothérapie est
adéquate
• Facteur prédictif
• La sensibilité du germe à
la pénicilline
(antibiogramme) est un
facteur prédictif de
succès de
l’antibiothérapie
MEDI-G-315
4
Exemple #2
• Cancer bronchique
• Stade d’extension du cancer = facteur
pronostique
Goldstraw, J Thorac Oncol 2007
MEDI-G-315
5
Le stade a aussi une valeur
opérationnelle = implication dans la
décision thérapeutique
CBNPC
Local
Locorégional
Métastatique
Chirurgie
+/- chimiothérapie
Radiothérapie
+chimiothérapie
Chimiothérapie
Traitement «ciblé»
MEDI-G-315
6
6
Exemple #2
• Pour stades précoces, après résection
complète, une chimiothérapie adjuvante à base
de sels de platine améliore le pronostic
MEDI-G-315
7
Référence
Critère de jugement
N essais
N
patients
HR
NSCLC Collaborative Group, 1995
Survie globale
14
4357
HR = 0,87
Sculier, 2001
Survie globale
6
1280
HR = 0,85
Hotta, 2004
Survie globale
11
5538
HR = 0,87
Sedrakyan, 2004
Survie globale
19
7200
Réduction relative
mortalité de 13%
Berghmans, 2005
Survie globale
19
7764
HR = 0,84
0,78 – 0,89)
-
Hamada, 2005
Survie à 5 et 7 ans
8
2082
HR = 0,74
0,61 – 0,88
0,001
Pignon, 2008
Survie globale
5
4584
HR = 0,89
0,82 – 0,96
0,005
Bria, 2009
Survie globale
12
7334
RR = 0,91
0,85 – 0,97
0,01
Lim, 2009
Survie globale
22
HR = 0,80
0,74 – 0,87
< 0,001
0,42 – 0,90
0,58 – 1,23
Hamada, 2009
-
IC 95%
p
0,08
0,73 - 0,99
-
0,80 – 0,94
0,001
S
0,01
-
Survie globale
6
1269
T1b: HR = 0,62
T1a : HR = 0,84
Survie globale (sans RT)
34
8447
HR = 0,86
0,81 – 0,92
< 0,0001
Survie globale (avec RT)
13
2260
HR = 0,88
0,81 – 0,97
0,009
8
Arriagada, 2010
MEDI-G-315
8
Quelle est l'importance du bénéfice
obtenu ?
Bénéfice absolu = Taux groupe contrôle – taux groupe expérimental
NNT = 1/Réduction absolue du risque {RRA}
Risque relatif = rapport taux groupe contrôle/groupe expérimental
Bria, Lung Cancer; 2009
MEDI-G-315
9
9
Puis-je prédire l’efficacité du
traitement?
MEDI-G-315
10
Exemple #3
Les mutations activatrices de
Epidermal Growth Factor Receptor
(EGFR)
MEDI-G-315
11
Facteur
pronostique pour
la survie
J Clin Oncol 2007: 587
Clin Cancer Res 2006: 4416S
MEDI-G-315
12
Maemondo, 2010
Inoue, 2013
Rosell, 2012
Zhou, 2011
(ASCO 2012)
Sequist, 2013
Wu, 2014
Gefitinib
114
73,7%
CBDCA + Pac
114
30,7%
Erlotinib
86
58 %
Standard CT
87
15 %
Erlotinib
83
82 %
Gem + CBDCA
82
36 %
Afatinib
230
56%
CDDP-PEM
115
23%
Afatinib
242
67%
CDDP-GEM
122
23%
MEDI-G-315
Shaw et al, NEJM 2013
Facteur prédictif de
réponse aux inhibiteurs
de tyrosine kinase
13
Qu’est-ce qu’un facteur pronostique?
• Facteurs « conventionnels »
– Paramètres cliniques (indice de performance, co-morbidités,
extension de la maladie…) ou variables biologiques
conventionnelles (LDH, sodium, neutrophiles …)
• Biomarqueurs
– Marqueurs tumoraux (CEA, Cyfra, CA125…)
– Variables associées au comportement biologique de la
maladie (EGFR …)
– Signatures biologiques
– Cellules tumorales circulantes
– Facteurs métaboliques
MEDI-G-315
14
14
Quelle utilité pour un facteur pronostique?
• Guide dans le choix thérapeutique
• Comparaison de groupes de patients
• Définition des critères d’inclusion et stratification
des patients dans études cliniques
• Compréhension de mécanismes
physiopathologiques en vue de nouvelles
études
• Pronostic individuel Æ NON
MEDI-G-315
15
Exemple 4
La consultation d’annonce (en oncologie)
• Un patient de 65 ans, sans antécédent notable, est
adressé à votre consultation.
• Vous lui annoncez qu’il est atteint d’un cancer
bronchique à petites cellules
• Il signale uniquement une modification de sa toux
• Son état général est impeccable (Karnofsky IP 90)
• Il vous demande quel est son pronostic
• Que lui répondez-vous?
MEDI-G-315
16
Vu le volume de littérature
1. J’abandonne et je lui dis que son état est
désespéré car il a un cancer
2. J’appelle un “expert” pour lui demander son
avis
3. Je recentre ma recherche de littérature
– Etudes de cohorte
– Analyses rétrospectives ou secondaires d’essais
prospectifs
– Etudes cas-témoins
MEDI-G-315
17
• Analyse rétrospective d’études prospectives
1.Analyse univariée
– Sélectionne variables et on teste leur valeur
pronostique séparément
2.Analyse multivariée
– Les variables sélectionnées en analyse univariée
sont incluses dans un modèle multivarié (Cox,
régression…)
MEDI-G-315
18
Peut-on faire mieux?
Développement de groupes “pronostiques”
• Analyses statistiques
complexes
• Inclusion facteurs
pronostiques trouvés en
analyse multivariée
dans modèle RECPAM
(recursive partition and
amalgamation)
MEDI-G-315
19
Paesmans et al Cancer 2000
MEDI-G-315
20
20
Validation externe
Validation externe dans un groupe de patients indépendants
MEDI-G-315
Paesmans et al, Eur Respir J 2011
21
Comment intégrer ces données
dans ma consultation d’annonce?
• Je dois annoncer un diagnostic difficile et
complexe
– Trouver les mots
– Etre empathique
– Rassurer
MEDI-G-315
22
Comment intégrer ces données
dans ma consultation d’annonce?
• Je donne un plan de traitement
– Bénéfices attendus du traitement Æ NNT
– Risques attendus du traitement Æ NNH
• Balance bénéfice-risque
MEDI-G-315
23
On y rajoute le pronostic de la
population étudiée
• Mon patient présente les caractéristiques du
groupe 1 (maladie limité, IP > 80, âge < 60 ans)
Cela veut-il dire que
l’espérance de vie de mon
patient est de 60
semaines?
MEDI-G-315
24
Application des données
pronostiques au plan individuel
• Une médiane signifie que
• 50% des événements surviennent avant la datepoint et 50% après
• Dans le cas présent, 50% des patients sont
décédés avant 60 semaines et 50% après (ou
sont encore en vie à la date de l’évaluation)
MEDI-G-315
25
Le facteur/score pronostique prédit-il
l’évolution du bon patient?
• Exemple des scores prédicitfs en soins intensifs
• Etude rétrospective des patients admis en USI
• Scores prédictifs spécifiques USI
– APACHE II
– SAPS (=IGS) II
– Score spécifique oncologique/USI = ICM
MEDI-G-315
26
Hospital mortality (%)
1
0,9
0,8
0,7
0,6
Obs = pred
SAPS II
0,5
Apache II
0,4
0,3
ICM
0,2
0,1
0
0
0,2
0,4
0,6
0,8
1
Predicted risk of hospital death
MEDI-G-315
27
MEDI-G-315
28
MEDI-G-315
29
MEDI-G-315
30
MEDI-G-315
31