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