Guzy
Rokowania, prognozy i postęp choroby
Prognoza w onkologii stanowi ocenę rokowania i przewidywanej reakcji na leczenie nowotworu, opartą na analizie stopnia zaawansowania choroby, zajęciu węzłów chłonnych oraz czasie do nawrotu. Modele prognostyczne, takie jak CIRI (Ciągły Zindywidualizowany Indeks Ryzyka), wykorzystują dynamiczne dane kliniczne i molekularne, poprawiając dokładność przewidywań w porównaniu do tradycyjnych systemów klasyfikacji TNM. Wykorzystanie zaawansowanych technik, w tym uczenia maszynowego i analizy NLP, pozwala na integrację multimodalnych biomarkerów, co zwiększa moc dyskryminacyjną modeli prognostycznych w przewidywaniu przeżycia całkowitego i odpowiedzi na leczenie. Przykładowo, w chłoniaku rozlanym z dużych komórek B CIRI wykazał kalibrację z różnicą 5% między obserwowanymi a przewidywanymi wynikami przeżycia wolnego od zdarzeń w okresie 12-36 miesięcy.
Prognozy guzów – ogólne zasady
Prognoza to najlepsza ocena lekarza dotycząca tego, jak choroba nowotworowa wpłynie na pacjenta i jak zareaguje na leczenie. Przeżycie oznacza odsetek osób z chorobą, które żyją w pewnym momencie po diagnozie. Zarówno prognoza, jak i przeżycie zależą od wielu czynników.1 Dokładne przewidywanie długoterminowych wyników pozostaje wyzwaniem w opiece nad pacjentami z nowotworami, a lekarze szacują rokowanie, wykorzystując statystyki zebrane przez badaczy na przestrzeni wielu lat dotyczące osób z tym samym typem nowotworu.23
Lekarz może poinformować pacjenta o dobrym rokowaniu, jeśli statystyki sugerują, że nowotwór prawdopodobnie dobrze zareaguje na leczenie. Z drugiej strony, może przekazać informację o złym rokowaniu, jeśli nowotwór jest trudniejszy do opanowania. Niezależnie od tego, co powie lekarz, należy pamiętać, że prognoza jest edukowanym przypuszczeniem. Lekarz nie może być pewien, jak przebiegnie choroba u konkretnego pacjenta.4
Czynniki wpływające na prognozę
Na rokowanie w przypadku guzów wpływa wiele czynników. Głównym czynnikiem prognostycznym dla nowotworów jest stopień zaawansowania, który opisuje ilość nowotworu w organizmie, jego lokalizację i zasięg rozprzestrzeniania się.5 Nowotwór we wczesnym stadium ma mniejsze prawdopodobieństwo nawrotu, więc rokowanie jest korzystniejsze. Nowotwór zdiagnozowany w późniejszym stadium ma większe ryzyko nawrotu, więc rokowanie jest mniej korzystne.6
Ważnym czynnikiem prognostycznym jest również zajęcie węzłów chłonnych. Nowotwór, który rozprzestrzenił się do węzłów chłonnych, ma wyższe ryzyko nawrotu i mniej korzystne rokowanie niż nowotwór, który nie rozprzestrzenił się do węzłów chłonnych.7 Ponadto, im dłuższy okres przed nawrotem nowotworu, tym lepsze rokowanie. Jeśli nowotwór powraca po ponad 5 latach od diagnozy, wynik jest zwykle lepszy niż gdy nawraca mniej niż 2 lata po diagnozie.8
Modele predykcyjne w prognozowaniu guzów
Modele prognostyczne odgrywają kluczową rolę w przewidywaniu wyników leczenia i pomagają w podejmowaniu decyzji terapeutycznych. W porównaniu do systemu klasyfikacji TNM, model prognostyczny może poprawić dokładność i kierować spersonalizowaną terapią poprzez kombinację wielu czynników prognostycznych.9 Badania pokazują, że systemy oparte na danych z elektronicznych dokumentacji medycznych i sekwencjonowania DNA guza, dostarczają bezprecedensowej możliwości studiowania determinantów wyników leczenia nowotworów.10
Nowoczesne podejścia do predykcji wyników
Ciągły Zindywidualizowany Indeks Ryzyka (CIRI) to metoda dynamicznego określania prawdopodobieństwa wyników dla pojedynczych pacjentów, wykorzystująca predyktory ryzyka pozyskiwane w czasie. Stosując CIRI u pacjentów z chłoniakiem rozlanym z dużych komórek B, wykazano poprawę przewidywania wyników w porównaniu do konwencjonalnych modeli ryzyka.11 CIRI wykazał odpowiednią kalibrację przewidywań w całym przebiegu choroby, z 5% różnicą między obserwowanymi a przewidywanymi wynikami przy rozważaniu przeżycia wolnego od zdarzeń od 12 do 36 miesięcy.12
Modele oparte na uczeniu maszynowym wykorzystujące funkcje pochodzące z przetwarzania języka naturalnego, takie jak lokalizacje choroby, przewyższają te oparte wyłącznie na danych genomowych lub stadium zaawansowania, co potwierdzają badania walidacyjne i analizy na zewnętrznych, wieloinstytucjonalnych zbiorach danych.13 Wyniki wskazują, że biomarkery multimodalne są lepsze od stadium zaawansowania choroby do prognozowania, a modele łączące wiele strumieni danych, w tym zmienne wywodzące się z NLP (Natural Language Processing), mają lepszą moc dyskryminacyjną do przewidywania ogólnego przeżycia.14
Ocena skuteczności modeli predykcyjnych
Najczęstszymi wskaźnikami do oceny wydajności predykcyjnej modelu prognostycznego są dyskryminacja i kalibracja.15 Badania wykazały, że narzędzia takie jak NHS PREDICT v2.1 mają tendencję do przeszacowywania śmiertelności 5-letniej u pacjentów z przewidywanym ryzykiem powyżej 30% i śmiertelności 10-letniej u pacjentów z przewidywanym ryzykiem powyżej 50% w przypadku wczesnego raka piersi.16 Przeszacowanie 5-letniej śmiertelności zaobserwowano w przypadku raka ER-dodatniego, HER2-dodatniego, stopnia III i T3.17
Zastosowanie podejść uczenia maszynowego nie poprawiło przewidywania wyników w porównaniu z istniejącymi narzędziami, takimi jak PREDICT, jednak predyktory specyficzne dla określonych typów guzów powinny być badane w celu wspierania podejmowania decyzji w tym zakresie.18 Badania pokazują również, że mimo innowacyjności i różnorodności predyktorów, ważniejsze jest ustanowienie wysoce stabilnego modelu, który jest wygodny do zastosowania klinicznego.19
Biomarkery i nowe technologie w prognozach
Zmiany przedrakowe w piersi stanowią trudny problem decyzyjny – czy leczyć proaktywnie i zaakceptować skutki uboczne, czy czekać i ewentualnie później spotkać się z diagnozą raka inwazyjnego. Biomarker lub zestaw biomarkerów informujący o indywidualnym ryzyku progresji byłby korzystny dla pacjenta i opłacalny dla systemu opieki zdrowotnej.20
Obiecujące biomarkery w prognozowaniu
Jedną z takich cząsteczek jest wariant splicingowy OPN-c. OPN-c występuje również w części zmian przedrakowych, gdzie odzwierciedla podwyższone ryzyko progresji do raka w ciągu 5 lat, niezależnie od podtypu zmiany.21 Co godne uwagi, OPN-c występuje w części zmian przedrakowych, gdzie odzwierciedla wysokie ryzyko progresji do raka w ciągu 5 lat, niezależnie od podtypu zmiany.22 Prognozowanie ryzyka progresji z OPN-c może być połączone z OPN exon 4 w celu oceny perspektyw przeżycia.23
Badania pokazują również, że obfitość mikrobiologiczna guza, samodzielnie lub w połączeniu z ekspresją genów guza, może w pewnym stopniu przewidywać rokowanie nowotworowe i odpowiedź na leki.24 W czterech typach nowotworów – raku kory nadnerczy, płaskonabłonkowym raku szyjki macicy, glejakach niższego stopnia i czerniaku skóry podskórnej – obfitość mikrobiologiczna guza jest lepszym predyktorem rokowania niż same zmienne kliniczne.25 Ponadto, znaleziono pięć par nowotwór-lek, w których obfitość mikrobiologiczna guza jest bardziej predykcyjna dla odpowiedzi pacjenta na lek niż same zmienne kliniczne.26
Technologie radiomiczne i dosiomiczne
Wykorzystanie analizy radiomicznej jako nieinwazyjnego, szybkiego i efektywnego kosztowo podejścia do wyodrębnienia różnych ilościowych cech opartych na obrazach okazało się cenne dla prognozy pacjenta i modelowania przewidywania wyników.27 Kilka badań wykazało, że zastosowanie wielomodalnych cech radiomicznych opartych na fuzji z różnych metod obrazowania medycznego, takich jak CT, MRI i PET, może znacznie poprawić moc predykcyjną radiomiki dla innych typów nowotworów.28
Badania wykazały, że trójwymiarowy rozkład dawki zawiera cenne informacje silnie skorelowane z przewidywaniem ogólnego przeżycia u pacjentów z nowotworami głowy i szyi. Ponadto, fuzja (szczególnie z algorytmem LLRR) rozkładu dawki z obrazami CT może poprawić wydajność i dokładność niektórych modeli predykcyjnych.29 Przewidywanie ogólnego przeżycia w oparciu o radiomikę i dosiomikę oraz fuzję tych dwóch obrazów może być pomocne w procesie podejmowania decyzji i spersonalizowanym leczeniu.30
Kliniczne zastosowania modeli prognostycznych
Przewidywanie wyników leczenia i toksyczności jest kluczowe dla wyboru spersonalizowanych opcji dla indywidualnego pacjenta z rakiem.31 Opracowano modele przewidujące odległe niepowodzenie dla pacjentów z rakiem płuca i szyjki macicy po radioterapii, a także modele oparte na głębokim uczeniu do przewidywania toksyczności dla pacjentów z rakiem szyjki macicy po radioterapii.32
Spersonalizowane prognozy dla różnych typów nowotworów
Istnieje wiele zwalidowanych nomogramów zapewniających kompleksowy przegląd oczekiwanych wyników onkologicznych u pacjentów z różnymi rodzajami guzów:33
- Model predykcyjny pooperacyjny, który zapewnia kompleksowy przegląd oczekiwanych wyników onkologicznych u pacjentów z rakiem komórek nerkowych34
- Przedoperacyjny nomogram do przewidywania wolności od przerzutowego nawrotu w ciągu pierwszych 12 lat po radykalnej lub częściowej nefrektomii35
- Pooperacyjny model predykcyjny oceniający ryzyko nawrotu u pacjentów z resekcją jasnokomórkowego raka nerkowokomórkowego36
- Modele przewidujące przeżycie specyficzne dla nowotworu, prawdopodobieństwo pozostania wolnym od nawrotu w określonych ramach czasowych po operacji lub radioterapii37
- Nomogramy do przewidywania przeżycia całkowitego po resekcji z intencją wyleczenia raka kory nadnerczy38
Modele prognostyczne dla guzów wątroby
Opracowano i zwalidowano model skali oceny ryzyka (RSSM) do stratyfikacji ryzyka prognostycznego po terapiach wewnątrztętniczych (IAT) w przypadku raka wątrobowokomórkowego (HCC). RSSM może dokładnie stratyfikować ryzyko prognostyczne dla pacjentów z HCC, którzy otrzymali IAT.39 Model ten został opracowany w oparciu o:40
- Inhibitory punktów kontrolnych układu immunologicznego (ICI) (współczynniki hazardu (HR), 0,678; 95% CI 0,549, 0,837)
- Inhibitory kinazy tyrozynowej (TKI) (HR, 0,702; 95% CI 0,605, 0,814)
- Terapię miejscową (HR, 0,104; 95% CI 0,014, 0,747)
- Odpowiedź na pierwszą IAT (HR, 4,221; 95% CI 2,229, 7,994)
- Rozmiar guza (HR, 1,054; 95% CI 1,038, 1,070)
- Stopień BCLC (HR, 2,375; 95% CI 1,950, 2,894)
RSSM dokładnie stratyfikuje pacjentów, którzy przeszli IAT, na trzy podgrupy o znacząco różnym skumulowanym długoterminowym OS, co może potencjalnie przynieść korzyści w personalizowaniu podejmowania decyzji i zmniejszyć przyszłe skutki uboczne i obciążenie ekonomiczne dla większej liczby pacjentów.41
Ograniczenia i przyszłe kierunki badań
Badania nad przewidywaniem wyników we wczesnym raku piersi są ograniczone.42 Narzędzia wspomagające podejmowanie decyzji skoncentrowane na potrzebach młodszych pacjentów z rakiem piersi powinny stać się priorytetem badawczym.43 Zastosowanie podejść uczenia maszynowego nie poprawiło przewidywania wyników w porównaniu z istniejącymi narzędziami, takimi jak PREDICT, ale predyktory specyficzne dla wczesnego raka piersi powinny być badane w celu wspierania podejmowania decyzji w tym kontekście.44
Wyzwania w modelowaniu prognostycznym
Większość powszechnych modeli jest obarczona wysokim poziomem błędu systematycznego (bias), a odwołanie się do PROBAST (narzędzie do oceny ryzyka błędu systematycznego modeli predykcyjnych) na początku badania może znacząco kontrolować ten błąd.45 Istniejące modele powinny być walidowane na dużym zewnętrznym zbiorze danych, aby umożliwić znaczące porównanie.46
Badania pokazują, że wydajność modeli związanych z genami nie uległa wyraźnej poprawie. W porównaniu do innowacyjności i różnorodności predyktorów, ważniejsze jest ustanowienie wysoce stabilnego modelu, który jest wygodny do zastosowania klinicznego.47 Szeroka aplikacja technologii sekwencjonowania nowej generacji dostarcza różnorodnych czynników predykcyjnych dla klinicznych modeli predykcyjnych. Jednak wydaje się, że biomarkery związane z genami nie mogą w sposób oczywisty poprawić wydajności modeli.48
Przyszłe kierunki rozwoju
Przewiduje się, że dynamiczna ocena ryzyka ułatwi medycynę spersonalizowaną i umożliwi innowacyjne paradygmaty terapeutyczne.49 CIRI zapewnia potencjalną drogę naprzód, aby pomóc w podejmowaniu decyzji klinicznych poprzez dostarczanie ilościowych szacunków prawdopodobnych wyników.50
Przyszłe badania powinny skupić się na aktualizacji istniejących modeli prognostycznych poprzez dostosowanie predyktorów w celu poprawy wydajności oraz promowaniu ich praktyki klinicznej poprzez zewnętrzną walidację.51 Opracowanie i walidacja tych modeli pomoże zidentyfikować pacjentów z HCC, którzy mogą odnieść korzyści z terapii systemowej, i pokieruje leczeniem.52
Kolejne rozdziały
Zapraszamy do dalszego czytania naszego leksykonu.
Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.