Source/Divulgations
Publié par:
Pratley RE. Session 9 : Management of Diabetes Circa 2022. Présenté à : Heart in Diabetes ; 24-26 juin 2022 ; Philadelphie (réunion hybride).
Divulgations :
Pratley rapporte avoir reçu des subventions, des honoraires de consultant et des honoraires de conférencier de Hanmi, Janssen, Merck, Novo Nordisk, Pfizer, Poxel, Sanofi, Scohia et Sun Pharmaceutical Industries. Tous les honoraires sont dirigés vers une organisation à but non lucratif qui soutient l’éducation et la recherche.
PHILADELPHIE – Un outil interactif basé sur les données peut individualiser les soins pour les personnes atteintes de diabète de type 2 tout en favorisant la prise de décision partagée entre les cliniciens et les patients, selon un conférencier à la conférence Heart in Diabetes CME.
Le diabète de type 2 est très hétérogène avec un large éventail de facteurs de risque, de voies physiopathologiques et de pronostics, et de nombreuses options thérapeutiques, Richard E. Pratley, MD, a déclaré le titulaire de la chaire Samuel E. Crockett de recherche sur le diabète et directeur médical de l’Institut du diabète AdventHealth lors d’une présentation. Les normes de soins actuelles du diabète de type 2 favorisent l’individualisation du traitement, qui devrait tenir compte des caractéristiques, des comorbidités, des préférences et des objectifs individuels du patient. Cependant, les données pour guider la sélection d’un traitement pour un patient individuel ne sont pas toujours disponibles, a déclaré Pratley.
“Nous avons beaucoup de travail à faire pour faire progresser la thérapeutique de précision”, Pratley dit Healio. “L’un des plus grands obstacles sera l’engagement des prestataires et la mise en œuvre d’une aide à la décision avancée en tant que routine dans la pratique clinique. La science de la mise en œuvre est l’endroit où nous avons besoin de beaucoup de travail.
Identification des prédicteurs de réponse
Richard E. Pratley
L’American Diabetes Association et l’Association européenne pour l’étude du diabète ont identifié le besoin d’outils d’aide à la décision pour mettre en œuvre un traitement de précision du diabète dans la pratique clinique comme une lacune de recherche clé dans le cadre de la nouvelle initiative Precision Medicine in Diabetes, a déclaré Pratley.
“Comment allons-nous faire cela?” Pratley a déclaré lors de sa présentation. « Comment allons-nous prendre des informations cliniques et les traduire en quelque chose qui guide la thérapie de manière à maximiser l’efficacité du traitement et à réduire les effets secondaires ? »
Dans une étude publiée dans Médecine pharmaceutique en 2019, Pratley et ses collègues ont identifié les caractéristiques des patients associées à l’atteinte et au maintien d’une cible d’HbA1c inférieure à 7 % à l’aide d’une méthodologie d’apprentissage automatique pour analyser les données de deux essais contrôlés randomisés de phase 3 sur l’empagliflozine (Jardiance, Boehringer Ingelheim/Eli Lilly) et la linagliptine ( Tradjenta, Boehringer Ingelheim/Eli Lilly) thérapie combinée à un seul comprimé (Glyxambi) par rapport à la monothérapie chez les personnes atteintes de diabète de type 2. L’analyse de l’apprentissage automatique a identifié l’HbA1c et la glycémie à jeun comme les meilleurs prédicteurs de l’atteinte du contrôle glycémique ; les covariables telles que le poids corporel, le tour de taille, la tension artérielle ou d’autres variables n’ont pas contribué au résultat.
“En fin de compte, il s’avère que l’HbA1c et la glycémie à jeun sont vos prédicteurs d’une réponse. Cela n’a pas été très utile et n’a pas vraiment fait progresser la médecine de précision », a déclaré Pratley.
Informations provenant de grandes bases de données
Pour mieux comprendre, Pratley et ses collègues ont développé un outil en ligne interactif basé sur les données, en utilisant les données de plus de 30 000 participants de plusieurs grands essais cliniques parrainés par Novo Nordisk. L’objectif, a-t-il dit, était de “combler le fossé” entre les preuves des essais et la prise de décision dans la pratique clinique.
“Le but de cet exercice était de creuser dans un grand ensemble de données et d’essayer de comprendre quels facteurs étaient importants pour obtenir des prédicteurs de réponse individualisés – et non des prédicteurs moyens de réponse”, a déclaré Pratley.
Pour prédire les résultats individuels, les caractéristiques de base spécifiques du patient et l’option de traitement d’intérêt – par exemple, un agoniste du récepteur GLP-1 – sont sélectionnées à partir d’échelles mobiles et de menus déroulants ; l’outil sélectionne ensuite automatiquement l’essai clinique randomisé le plus approprié dans la base de données.
La totalité des données d’essai est utilisée pour générer des coefficients estimés pour chaque caractéristique de base telle que l’âge et le poids corporel ; les résultats prédits sont basés sur des essais contrôlés randomisés spécifiques. Certains essais étaient contrôlés par placebo ; d’autres avaient un comparateur actif.
“L’idée était de prendre des choses comme l’âge, le sexe, l’IMC, la durée du diabète, le traitement actuel, la fonction rénale… et de mettre cela dans cet algorithme, puis de cracher quelles seraient les réponses attendues, non pas à une variété de médicaments, mais à un médicament », a déclaré Pratley. “L’idée est de s’asseoir avec le patient et de saisir des informations dans l’outil et de dire : “Nous prévoyons cela [drug] peut réduire votre HbA1c de 1,2 % et votre poids corporel de 5 lb. »
Plus de travail nécessaire
Un avantage de l’outil d’aide à la décision est qu’il utilise les caractéristiques d’un individu plutôt que des données d’essai agrégées, encourageant la participation du patient et du fournisseur, a déclaré Pratley. Pratley a noté, cependant, que le biais inhérent aux essais contrôlés randomisés limite la généralisabilité des résultats prédits. De plus, la version actuelle de l’outil ne permet pas de comparaisons directes entre les traitements.
« Personne n’utilisera un outil développé par une seule entreprise ; il doit être plus généralisé », a déclaré Pratley. « Alors, où cela se situe-t-il sur la feuille de route ? Maintenant, nous sommes à un stade où nous pouvons traduire ces choses en clinique avec des thérapies plus précises. Le véritable défi consiste à obtenir la mise en œuvre dans la pratique clinique.
Références:
