Ce que ZUMA-7, TRANSFORM et BELINDA mesurent de l'architecture temporelle des thérapies cellulaires, et non de la biologie du CAR
Exploration doctrinale sur les interventions dont la fabrication rivalise en vitesse avec la maladie. Elle transpose au traitement la question posée pour les modèles prédictifs dans « Un domaine d’applicabilité mesure une proximité, pas une capacité », et croise « Comment attribuer une performance dans un pipeline socio-technique complexe ? » sur le traitement des variables post-randomisation. Le formalisme complet, la décomposition des déterminants du délai et les scénarios de sélection figurent dans le PDF ci-contre.
Liso-cel et tisa-cel partagent le domaine de costimulation 4-1BB. TRANSFORM rapporte une EFS médiane de 29,5 mois contre 2,4 (HR 0,375). BELINDA rapporte 3,0 contre 3,0, HR 1,07, non significatif. L’explication par la biologie du CAR est disponible et confortable, mais elle doit faire produire au même domaine de costimulation deux verdicts opposés. L’explication par l’architecture temporelle demande moins. Dans BELINDA, tisa-cel impose 52 jours de fabrication à une population sélectionnée à l’aphérèse comme salvage ultime, avec un bridging permissif chez 83 à 97 % des patients. Au jour 52, le patient traité n’est plus le patient randomisé : il est ce que la maladie en a fait pendant que le produit se fabriquait. Ce que l’essai mesure alors n’est pas l’infériorité du 4-1BB, c’est une sortie du domaine de performance avant administration. TRANSFORM, temps de fabrication court et sélection de bridging favorable, mesure l’inverse sur une biologie voisine. ZUMA-7 valide axi-cel avec une EFS à 2 ans de 41 % contre 16 % (HR 0,40) sans avoir eu à trancher la question. Cette lecture ne prouve pas que CD28 et 4-1BB soient équivalents. Elle établit une chose plus modeste et plus utile : si la biologie diffère, l’architecture temporelle du système peut compenser, et si l’architecture temporelle est défaillante, aucune biologie ne rattrape.
Trois objets suffisent à formaliser le problème. L’état clinique du patient S_i(t) est une trajectoire continue, non un statut binaire d’éligibilité. Le délai τ_ij est une distribution F_ij, caractérisée par son espérance, sa variance et son P90, et non par une valeur unique. La fonction de réponse R_j(S) attribue à chaque traitement une performance qui décroît progressivement avec la dégradation de l’état, sans frontière nette. De là, l’utilité attendue V_ij = E[R_j(S_i(t0 + τ))] et la décision j* = arg max V_ij. Le domaine de performance Ω_j(u*) = {S : R_j(S) ≥ u*} qu’on en dérive dépend du seuil d’utilité retenu : c’est une région conventionnelle, pas une propriété biologique absolue du produit. Le délai observé, lui, n’est pas une somme mais une composition, τ = g(τ_stratégie, τ_patient, τ_système, τ_stochastique), aux composantes simultanées et interagissantes : une infection survient pendant la fabrication sans s’y ajouter linéairement, un bridging peut être causé par un retard de production. La conséquence méthodologique est directe. Sous estimand treatment-policy, le délai fait partie de l’effet de la stratégie assignée quel que soit son déterminant, et on ne le neutralise pas statistiquement. Pour une analyse causale comparant des architectures de délivrance, la décomposition devient indispensable, puisqu’une fraction du délai reflète le patient et non le design. Ajuster naïvement une variable post-randomisation sans estimand cible ni DAG explicite ne corrige rien, cela déplace le biais.
Trois conséquences opérationnelles suivent, et une seule est indolore. La première est de mesure : les KPI en vigueur rapportent le vein-to-vein ou l’aphérèse-à-infusion, tous deux aveugles au segment décision-à-aphérèse, où la fenêtre se perd le plus souvent. Le KPI manquant est décision à administration effective, rapporté en distribution complète, parce que le P90 prédit la proportion d’échecs temporels mieux que la médiane. Un traitement à médiane J25 et P90 J60 peut être moins utile qu’un traitement à médiane J30 et P90 J35. La deuxième est économique : dans un système de production cellulaire exploité près de la saturation, la queue droite de la distribution explose, et la perte clinique associée croît plus vite que le gain d’utilisation. Une capacité de réserve n’est pas une inefficience à éliminer, c’est une capacité clinique, et le taux d’occupation optimal C* est inférieur à 100 % pour des raisons qui sont simultanément cliniques et comptables. La troisième porte sur le choix : le ratio Θ = E[τ] / temps d’évolution clinique classe les situations où le timing devient décisif, et il faut le dire nettement, Θ est une heuristique dimensionnelle et non un biomarqueur validé, son dénominateur restant à définir précisément. Utilisé qualitativement, il suffit à trancher. En maladie ultra-rapide, un bispécifique disponible en quelques jours entre en compétition réelle avec un CAR-T autologue à 28 jours, sous réserve d’un fitness lymphocytaire T acceptable, paramètre qui n’est pas mesuré en routine au moment où la décision se prend. En maladie lente, l’avantage temporel s’annule et le CAR-T autologue reprend l’avantage sur la durabilité. Les bispécifiques ne dominent donc pas, ils rivalisent selon V_ij, ce qui est intellectuellement plus honnête et cliniquement plus exploitable qu’une annonce de relève. Le domaine de validité de tout ceci doit être posé explicitement : le cadre vaut là où Θ approche ou dépasse 1, soit CAR-T, TIL, vaccins néo-antigéniques, radiothérapie adaptative, transplantation, et il n’apporte rien là où le délai est négligeable devant la cinétique de la maladie. Reste alors une seule reformulation, et elle tient en une ligne. Le traitement pertinent n’est pas le meilleur traitement, c’est le meilleur traitement atteignable, celui qui rejoint le patient pendant que le patient est encore dans son domaine de performance.
Notes doctrinales et explorations sur l’IA en systèmes régulés. Une à deux fois par mois. Désabonnement en un clic.