Modern strategies to reduce non-relapse mortality in allogeneic hematopoietic cell transplantation in the modern era: improving donor selection and patient selection

Abstract

[eng] INTRODUCTION: Allogeneic hematopoietic cell transplantation (alloHCT) is a lifesaving procedure for several oncological and non-oncological diseases. However, the higher mortality related to the toxicity of the transplant limits the curative potential of such a therapeutic strategy. The improvement of pre-transplant factors which could be modified from the physician have the potential to reduce the toxicity and increase the survival rates without complex specific interventions. A better selection of donors and patients represents a key aspect in decreasing transplant mortality. HYPOTHESIS:

First study: we hypothesized that when using post-transplant cyclophosphamide (PTCy) for graft-versus-host disease (GVHD) prophylaxis, the use of a matched-unrelated donor (MUD) or of a haploidentical one would have same clinical outcomes. Second study: we hypothesized that a prognostic score made through the use of artificial- intelligence methods, would be superior to standard scores in terms of clinical outcomes predicticion.

OBJECTIVES:

The aim of this project is to take advantage of international networks and registry-derived data to improve the evaluation of donor and patient selection. 1) in the first study, we will perform a comparison between the use of a MUD and a haploidentical donor in the setting of patients affected by lymphoproliferative diseases who have received an allogeneic hematopoietic cell transplantation when using PTCy as GVHD prophylaxis. The two cohorts will be compared in terms of the following outcomes: overall survival (OS), progression-free survival (PFS), non-relapse mortality (NRM), relapse incidence/prograssion of disease (RI/POD), acute GVHD, chronic GVHD.

2) in the second study, we will create a newer personalized prognostic score which will be built through the use of registry-derived big data and will allow to calculate survival outcomes for alloHCT. Six artificial-intelligence derived scores will be compared to standard logisitic regression analysis in terms of overall mortality (OM) and NRM prediction capacity. The results will be compared, and the best method will be used to generate survival prediction across the study population.

[cat] INTRODUCCIÓ: El trasplantament al·logènic de progenitors hematopoètics és un procediment curatiu per a diverses malalties oncològiques i no oncològiques. Tanmateix, la gran/no despreciable mortalitat relacionada amb la toxicitat del trasplantament limita el potencial curatiu d'aquesta estratègia terapèutica. L’optimització prèvia al trasplantament dels factors modificables té el potencial de reduir la toxicitat i augmentar les taxes de supervivència sense intervencions específiques complexes. Una millor selecció dels donants i pacients representa un aspecte clau per a disminuir la mortalitat del trasplantament.

HIPÒTESI:

Primer estudi: Vam suposar que, en la utilització de ciclofosfamida post-trasplantament per a la profilaxi de la malaltia empelt contra hoste, l'ús d'un donant no emparentat compatible o d'un donant haploidèntic tindria els mateixos resultats clínics. Segon estudi: Vam formular la hipòtesi que un índex pronòstic creat mitjançant mètodes d'intel·ligència artificial seria superior als índex pronòstics estàndard en termes de predicció de resultats clínics.

OBJECTIUS:

Aquest estudi té com a objectiu aprofitar les xarxes internacionals i les dades obtingudes de registres per a millorar l'avaluació de la selecció dels donants i pacients en el context del trasplantament al·lògènic de progenitors hematopoètics. 1) En aquest primer estudi compara l'ús d'un donant no emparentat compatible i un donant haploidèntic en pacients afectes de síndromes linfoproliferatives que han rebut un trasplantament basat en la ciclofosfamida post-trasplantament com a profilaxi de la malaltia empelt contra hoste. Compararem les dues cohorts pel que fa als següents resultats: supervivència global, supervivència lliure de progressió, mortalitat no relacionada amb la recaiguda, incidència de recaiguda/progressió de la malaltia, malaltia empelt contra hoste aguda i malaltia empelt contra hoste crònica.

2) En el segon estudi, crearem un nou índex pronòstic personalitzat mitjançant l'aplicació de mètodes d'intel·ligència artificial sobre dades massives obtingudes de registres. Aquest sistema permetrà calcular la mortalitat no relacionada amb la recaiguda derivada del trasplantament. Sis sistemes de puntuació basats en intel·ligència artificial es compararan amb l'anàlisi de regressió logística estàndard en termes de capacitat de predicció de la mortalitat global i la mortalitat no relacionada amb la recaiguda. Es compararan els resultats i s'utilitzarà el millor mètode per generar prediccions de supervivència per a tota la població de l'estudi.