A gépi tanulás segíti a felső húgyúti urotheliális rák prognózisát
A gépi tanulási modellek képesek pontosan előre jelezni a felső húgyúti urotheliális rák műtéti túlélési esélyeit, így potenciális eszközként szolgálhatnak a posztoperatív kezelés és a követés intenzitásának meghatározásához. Egy nagy nemzetközi elemzés kimutatta, hogy az adatalapú modellek segíthetnek azonosítani azokat a betegeket, akiknél a radikális nephroureterectomia után inkább a szorosabb megfigyelés, mint az azonnali adjuváns kemoterápia lehet a legelőnyösebb.
A műtét utáni kockázatrétegzésben fennálló kielégítetlen igény
A felső húgyúti urotheliális rákot általában magas és alacsony kockázati kategóriákba sorolják, és a radikális nephroureterectomia és a hólyagmandzsetta-reszekció a nem áttétes, magas kockázatú betegség standard kezelésének számít. Jelenleg azonban nincs konszenzus a műtét utáni kezelésről, különös tekintettel a szoros utánkövetésre szoruló betegek kiválasztására az adjuváns kemoterápia helyett. A meglévő klinikai eszközök korlátozott útmutatást nyújtanak, ami bizonytalanságot okoz a műtét utáni kezelés tervezésében.
A tanulmány tervezése és a gépi tanulási megközelítés
A kutatók retrospektív módon gyűjtöttek adatokat egy több etnikumú, 3129 betegből álló csoportból, akiknél szövettani vizsgálattal megerősített felső húgyúti urotheliális rákot diagnosztizáltak, és akik radikális nephroureterectomiával kezelték Ázsia és Európa különböző központjaiban. Összesen 637 ázsiai beteg alkotta a képzési csoportot, míg 2492 európai beteget használtak külső validáláshoz. Húsz felügyelt gépi tanulási modellt képeztek ki és teszteltek az általános túlélés, a rákra jellemző túlélés és a betegségmentes túlélés 3-5 évre történő előrejelzésére.
A nomogramokat nyolc független prognosztikai tényező felhasználásával állították össze: életkor, nem, tumor fokozat, patológiai tumor stádium, patológiai nyirokcsomó állapot, carcinoma in situ jelenléte, multifokalitás és limfovaszkuláris invázió. A modell teljesítményét a vevő működési jellemző görbe alatti terület felhasználásával értékelték.
Előrejelzés és klinikai következmények
A modell képzése során a logisztikai regresszión alapuló megközelítések értek el a legjobb teljesítményt, hat eredmény közül négyben a legmagasabb pontszámot kapták. A legjobb prediktív pontosságot a három- és ötéves rák-specifikus túlélésnél figyelték meg, a görbe alatti terület értéke 0,85, illetve 0,84 volt, valamint a hároméves betegségmentes túlélésnél, ahol a görbe alatti terület 0,81 volt. A külső validálás során a logisztikai regressziós modellek továbbra is jól teljesítettek, hat eredmény közül háromban az első helyen végeztek, beleértve a hároméves rák-specifikus túlélést, ahol a görbe alatti terület 0,84 volt.
Az eredmények arra utalnak, hogy a gépi tanulás megbízható prognosztikai becsléseket adhat a felső húgyúti uroteliális rák műtéti beavatkozása után, és magyarázatot adhat az európai és ázsiai populációk közötti epidemiológiai különbségekre. Bár további klinikai validációra van szükség, ezek a modellek támogathatják a személyre szabott döntéshozatalt az adjuváns terápia és a rutin gyakorlatban alkalmazott utánkövetési stratégiák tekintetében.