KI-Prognose zu Überleben nach CAR-T-Zelltherapie
Die CAR-T-Zelltherapie hat die Behandlung refraktärer hämatologischer Malignome transformiert. Doch das frühe Erkennen von Patienten mit hohem Sterberisiko bleibt eine zentrale Herausforderung. Ein von der Mayo Clinic entwickeltes Machine-Learning-Modell nutzt routinemäßige präinfusionelle Daten, um das 6-Monats-Überleben nach CAR-T-Infusion präzise vorherzusagen.
Dr. Jonas Paludo, Mayo Clinic, Rochester, berichtete am ASH Annual Meeting 2025 über das Modell. Grundlage bildete eine prospektive Kohorte von 570 Patienten mit B-Zell-Lymphomen und multiplem Myelom. Deren umfassende Datensätze – Vitalparameter, Laborwerte, kardiale Untersuchungen sowie PET/CT-Radiomics – wurden systematisch integriert.
Aus der großen Datenfülle von über 4800 Vitalzeichenmessungen, 11.700 Labormessungen und PET/CT-Aufnahmen von 318 Patienten wurde ein multimodales Modell entwickelt, das verschiedene Datenquellen kombiniert. Die Analyse zeigt deutliche Leistungsunterschiede der einzelnen Modalitäten:
- Vitalparameter erzielten nur eine moderate Vorhersagegenauigkeit mit einer AUC* 0,63.
- Radiomics hingegen lagen bei 0,71.
- Am stärksten prädiktiv waren Laborwerte mit einer AUC von 0,84.
Ein reduziertes Modell mit den 19 wichtigsten Features aus allen drei Datentypen erreichte in der Trainingskohorte eine AUC von 0,87. In der unabhängigen Validierungskohorte zeigte das Modell sogar eine AUC von 0,93 – ein Hinweis auf robuste Generalisierbarkeit. Damit gelingt es erstmals, das 6-Monats-Überleben nach CAR-T-Zelltherapie auf Basis präinfusioneller Standarddiagnostik zuverlässig einzuschätzen.
Die Autoren betonen den potenziellen Nutzen. Präzisere Risikostratifizierung, gezielte Beratung und Nachbetreuung sowie eine optimierte Ressourcensteuerung. Insbesondere die Integration von Radiomics, der Extraktion einer Vielzahl quantitativer Merkmale aus medizinischen Bildern, eröffnet neue Möglichkeiten, Bildgebung systematisch in die prädiktive Medizin einzubinden.
Insgesamt verdeutlicht die Studie das Potenzial KI-gestützter Prognoseinstrumente in der Hämatologie.
Bei konsequenter Weiterentwicklung könnten solche Modelle künftig die Individualisierung von CAR-T-Behandlungen entscheidend verbessern – und dazu beitragen, vulnerable Patienten frühzeitig zu identifizieren.
* AUC: Fläche unter der ROC-Kurve (Receiver Operating Characteristic)
Paludo J. et al. Machine learning–driven prognostication of overall survival at 6 months after CAR-T cell therapy, ASH 2025, #2563
Weiterlesen