Previsione basata sull’apprendimento automatico della prognosi di sopravvivenza nel carcinoma a cellule squamose dell’esofago

Rapporti scientifici volume 13, numero articolo: 13532 (2023) Citare questo articolo

362 accessi

1 Altmetrico

Dettagli sulle metriche

Gli attuali strumenti prognostici per il carcinoma esofageo a cellule squamose (ESCC) mancano della precisione necessaria per facilitare strategie di gestione del paziente individualizzate. Per affrontare questo problema, è stato condotto questo studio per sviluppare un modello di previsione dell'apprendimento automatico (ML) per la gestione della sopravvivenza dei pazienti con ESCC. Per sviluppare modelli di previsione del rischio sono stati impiegati sei approcci ML, tra cui Rpart, Elastic Net, GBM, Random Forest, GLMboost e il metodo CoxPH esteso al machine learning. Il modello è stato addestrato su un set di dati di 1954 pazienti ESCC con 27 caratteristiche cliniche e convalidato su un set di dati di 487 pazienti ESCC. La prestazione discriminativa dei modelli è stata valutata utilizzando l'indice di concordanza (indice C). Il modello più performante è stato utilizzato per la stratificazione del rischio e la valutazione clinica. Lo studio ha rilevato che lo stadio N, lo stadio T, il margine chirurgico, il grado del tumore, la lunghezza del tumore, il sesso, l'MPV, l'AST, il FIB e il Mg sono caratteristiche importanti per la sopravvivenza dei pazienti con ESCC. Il modello CoxPH esteso con apprendimento automatico, Elastic Net e Random Forest hanno avuto prestazioni simili nel prevedere il rischio di mortalità dei pazienti ESCC e hanno sovraperformato GBM, GLMboost e Rpart. I punteggi di rischio derivati ​​dal modello CoxPH hanno stratificato efficacemente i pazienti ESCC in gruppi a rischio basso, intermedio e alto con probabilità di sopravvivenza globale (OS) a 3 anni nettamente diverse pari a 80,8%, 58,2% e 29,5%, rispettivamente. Questa stratificazione del rischio è stata osservata anche nella coorte di validazione. Inoltre, il modello di rischio ha dimostrato una maggiore capacità discriminativa e un beneficio netto rispetto allo stadio AJCC8, suggerendo il suo potenziale come strumento prognostico per prevedere eventi di sopravvivenza e guidare il processo decisionale clinico. Anche l'algoritmo classico del metodo CoxPH è risultato sufficientemente valido per studi interpretativi.

Il cancro esofageo (CE) è una delle neoplasie più letali al mondo, con una natura estremamente aggressiva e un basso tasso di sopravvivenza. Secondo le statistiche globali sul cancro, nel 2018 si sono verificati circa 572.000 nuovi casi e 509.000 decessi1. In Cina, il carcinoma esofageo a cellule squamose (ESCC) è il tipo istologico predominante, rappresentando circa il 90% dei casi. L'ESCC è caratterizzato da rapida progressione e prognosi sfavorevole2,3, con un tasso di sopravvivenza a 5 anni solo del 15,3% negli stadi avanzati4. Nonostante i progressi nelle tecniche chirurgiche e l’introduzione di terapie multimodali negli ultimi anni, la prognosi dell’ESCC rimane insoddisfacente5. Alcuni biomarcatori per la previsione della prognosi dell'ESCC potrebbero svolgere un ruolo fondamentale nella gestione clinica di ciascun paziente e avere importanti implicazioni riguardo alla scelta della terapia medica ottimale per la prevenzione secondaria6,7,8,9. Tuttavia, attualmente mancano strumenti efficaci per il lavoro clinico quotidiano. Pertanto, esiste un urgente bisogno di identificare nuovi biomarcatori prognostici o sviluppare un modello di previsione integrato per la previsione clinica.

I modelli di previsione clinica che integrano parametri clinicopatologici, indici di laboratorio ed esiti di sopravvivenza utilizzando big data provenienti da ampie coorti di pazienti hanno il potenziale per guidare il processo decisionale clinico e le prognosi terapeutiche10,11,12. Nonostante gli sforzi significativi volti ad esplorare la prognosi dell'ESCC, gli attuali modelli prognostici rimangono imperfetti13,14,15,16. Gli studi precedenti si sono concentrati principalmente sulla valutazione prognostica di un piccolo numero di indicatori clinici utilizzando l'analisi univariata e multivariata14,15,16,17. Inoltre, la maggior parte dei modelli di previsione ESCC sono stati sviluppati utilizzando approcci statistici tradizionali come la regressione CoxPH o la regressione logistica, senza adeguati meccanismi di valutazione per determinare il modello con le migliori prestazioni prima della costruzione del modello13,14,15,16,17. Inoltre, le dimensioni del campione e i predittori valutati in questi studi sono spesso limitati, il che porta a una scarsa riproducibilità delle prestazioni del modello e a prove insufficienti per le applicazioni cliniche14,15,16,17. Pertanto, è necessario sviluppare modelli di previsione più completi e riproducibili per l’ESCC che possano essere efficacemente utilizzati nella pratica clinica.