Preview

Информатика

Расширенный поиск

Прогнозирование и принятие решений на основе модели нелинейных рисков при лечении рака желудка

https://doi.org/10.37661/1816-0301-2024-21-1-65-82

Аннотация

Цели. В исследовании ставятся цели разработать модель нелинейных рисков развития неблагоприятных исходов и оценить ее пригодность для прогнозирования в клинической практике.

Методы. Использованы методы анализа выживаемости, регрессионные статистические модели.

Результаты. Предложен практический подход к оценке нелинейных рисков развития неблагоприятных событий на примере лечения рака желудка. Предложена и исследована модель прогнозирования метахронной перитонеальной диссеминации у радикально оперированных по поводу рака желудка пациентов. Оценены риски в различные периоды наблюдения и клиническая пригодность разработанного подхода.

Заключение. В клинической онкологической практике большую роль играет не только своевременное лечение, но и предупреждение неблагоприятных исходов после окончания лечения. Индивидуализация наблюдения за пациентом после лечения снижает риски фатальных исходов, затраты на дополнительные исследования и лечение в случае прогрессирования онкозаболевания. По результатам данного исследования предлагаются решения, которые должны привести к более эффективной и качественной тактике наблюдения после проведенного лечения рака желудка, к выбору оптимальных подходов и получению клинически благоприятных исходов заболевания. Предложенный метод прогноза рисков в конечном итоге приведет к индивидуализированному ведению пациента на основании его данных.

Об авторах

О. В. Красько
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь

Красько Ольга Владимировна, кандидат технических наук, доцент, ведущий научный сотрудник

ул. Сурганова, 6, Минск, 220012



М. Ю. Ревтович
Учреждение образования «Белорусский государственный медицинский университет»
Беларусь

Ревтович Михаил Юрьевич, доктор медицинских наук, доцент, декан лечебного факультета

пр. Дзержинского, 83, Минск, 220083



А. В. Иванов
Республиканский научно-практический центр им. Н. Н. Александрова
Беларусь

Иванов Андрей Владимирович, аспирант

агр Лесной, Минский район, 223040

 



Список литературы

1. Alonzo, T. A. Clinical prediction models: a practical approach to development, validation, and updating: by Ewout W. Steyerberg / T. A. Alonzo // American J. of Epidemiology. – 2009. – Vol. 170, iss. 4. – Р. 528. https://doi.org/10.1093/aje/kwp129

2. A novel clinical risk prediction model for sudden cardiac death in hypertrophic cardiomyopathy (HCM risk-SCD) / C. O'Mahony [et al.] // European Heart J. – 2014. – Vol. 35, no. 30. – Р. 2010–2020.

3. Scrucca, L. Competing risk analysis using R: an easy guide for clinicians / L. Scrucca, A. Santucci, F. Aversa // Bone Marrow Transplantation. – 2007. – Vol. 40, no. 4. – P. 381–387.

4. Prognostic models with competing risks: methods and application to coronary risk prediction / M. Wolbers [et al.] // Epidemiology. – 2009. – Vol. 20, iss. 4 – Р. 555–561.

5. Cox, D. R. Regression models and life‐tables / D. R. Cox // J. of the Royal Statistical Society: Series B (Methodological). – 1972. – Vol. 34, no. 2. – Р. 187–202.

6. Hosmer, Jr. D. W. Applied Survival Analysis: Regression Modeling of Time-to-Event Data / Jr. D. W. Hosmer, S. Lemeshow, S. May. – John Wiley & Sons, 2011. – 416 р.

7. Therneau, T. Using time dependent covariates and time dependent coefficients in the cox model / T. Therneau, C. Crowson, E. Atkinson // Survival Vignettes. – 2017. – Vol. 2, no. 3. – Р. 1–25.

8. Murphy, S. A. Time-dependent coefficients in a Cox-type regression model / S. A. Murphy, P. K. Sen // Stochastic Processes and their Applications. – 1991. – Vol. 39, no. 1. – Р. 153–180.

9. Thomas, L. Tutorial: survival estimation for Cox regression models with time-varying coefficients using SAS and R / L. Thomas, E. M. Reyes // J. of Statistical Software. – 2014. – Vol. 61. – Р. 1–23.

10. Redmond, C. The methodologic dilemma in retrospectively correlating the amount of chemotherapy received in adjuvant therapy protocols with disease-free survival / C. Redmond, B. Fisher, H. S. Wieand // Cancer Treatment Reports. – 1983. – Vol. 67, no. 6. – Р. 519–526.

11. Suissa, S. Immortal time bias in pharmacoepidemiology / S. Suissa // American J. of Epidemiology. – 2008. – Vol. 167, no. 4. – Р. 492–499.

12. Fine, J. P. A proportional hazards model for the subdistribution of a competing risk / J. P. Fine, R. J. Gray // J. of the American Statistical Association. – 1999. – Vol. 94, no. 446. – Р. 496–509.

13. Li, J. Checking Fine and Gray subdistribution hazards model with cumulative sums of residuals / J. Li, T. H. Scheike, M. J. Zhang // Lifetime Data Analysis. – 2015. – Vol. 21, no. 2. – Р. 197–217.

14. A detailed analysis of the recurrence timing and pattern after curative surgery in patients undergoing neoadjuvant therapy or upfront surgery for gastric cancer / A. Agnes [et al.] // J. of Surgical Oncology. – 2020. – Vol. 122, no. 2. – Р. 293–305.

15. Incidence, time course and independent risk factors for metachronous peritoneal carcinomatosis of gastric origin – a longitudinal experience from a prospectively collected database of 1108 patients / F. Seyfried [et al.] // BMC Cancer. – 2015. – Vol. 15. – Р. 1–10.

16. Lauren histologic type is the most important factor associated with pattern of recurrence following resection of gastric adenocarcinoma / J. H. Lee [et al.] // Annals of Surgery. – 2018. – Vol. 267, no. 1. – Р. 105.

17. Reutovich, M. Y. Hyperthermic intraperitoneal chemotherapy in prevention of gastric cancer metachronous peritoneal metastases: a systematic review / M. Y. Reutovich, O. V. Krasko, O. G. Sukonko // J. of Gastrointestinal Oncology. – 2021. – Vol. 12, suppl. 1. – Р. S5–S17. https://doi.org/10.21037/jgo-20-129

18. Analysis and external validation of a nomogram to predict peritoneal dissemination in gastric cancer / X. Chen [et al.] // Chinese J. of Cancer Research. – 2020. – Vol. 32, no. 2. – Р. 197–207.

19. Staging of peritoneal carcinomatosis: enhanced CT vs. PET/CT / C. Dromain [et al.] // Abdominal Imaging. – 2008. – Vol. 33. – Р. 87–93.

20. Added value of pretreatment 18F-FDG PET/CT for staging of advanced gastric cancer: comparison with contrast-enhanced MDCT / Y. Kawanaka [et al.] // European J. of Radiology. – 2016. – Vol. 85, no. 5. – Р. 989–995.

21. Peritoneal recurrence in gastric cancer following curative resection can be predicted by postoperative but not preoperative biomarkers: a single-institution study of 320 cases / F. Wu [et al.] // Oncotarget. – 2017. – Vol. 8, no. 44. – Р. 78120.

22. Ревтович, М. Ю. Местнораспространенный рак желудка: современные направления радикального лечения и прогнозирование отдаленных результатов : монография / М. Ю. Ревтович, О. В. Красько. – Минск : БелМАПО, 2022. – 217 с.

23. Результаты радикального лечения инфильтративных форм рака желудка с применением перфузионной термохимиотерапии / М. Ю. Ревтович [и др.] // Евразийский онкологический журнал. – 2022. – Т. 10, № 2. – С. 107–117.

24. Ревтович, М. Ю. Интраоперационная оценка риска развития канцероматоза после радикального хирургического лечения рака желудка / М. Ю. Ревтович, О. В. Красько // Онкология и радиология Казахстана. – 2020. – № 2(56). – С. 26–30. https://doi.org/10.52532/2521-6414-2020-2-56-26-30

25. Reutovich, M. Prophylactic hyperthermic intraperitoneal chemotherapy in gastric cancer management: short- and long-term outcomes of a prospective randomized study / M. Reutovich, O. Krasko // Oncology in Clinical Practice. – 2021. – Vol. 17, no. 5. – Р. 187–193. https://doi.org/10.5603/OCP.2021.0028

26. Reutovich, M. Yu. Efficacy of adjuvant systemic chemotherapy combined with radical surgery and hyperthermic intraperitoneal chemotherapy in gastric cancer treatment / M. Yu. Reutovich, O. V. Krasko, O. G. Sukonko // Indian J. of Surgical Oncology. – 2020. – Vol. 11. – P. 337–343. https://doi.org/10.1007/s13193-020-01102-w

27. Schoenfeld, D. Partial residuals for the proportional hazards regression model / D. Schoenfeld // Biometrika. – 1982. – Vol. 69, no. 1. – Р. 239–241.

28. Алгоритмы диагностики и лечения злокачественных новообразований : клинический протокол : утв. Постановлением М-ва здравоохранения Респ. Беларусь № 60 от 06.07.2018 г. / под ред. О. Г. Суконко, С. А. Красного. – Минск : Профессиональные издания, 2019. – С. 97–110.

29. Heagerty, P. J. Time‐dependent ROC curves for censored survival data and a diagnostic marker / P. J. Heagerty, T. Lumley, M. S. Pepe // Biometrics. – 2000. – Vol. 56, no. 2. – Р. 337–344.

30. Harrell, F. E. Regression Modeling Strategies: With Applications to Linear Models, Logistic Regression, and Survival Analysis / F. E. Harrell. – N. Y. : Springer, 2001. – 600 р.

31. Steyerberg, E. W. Clinical Prediction Models: A Practical Approach to Development, Validation, and Updating / E. W. Steyerberg. – Springer, 2009. – 528 р.

32. Vickers, A. J. Decision curve analysis: a novel method for evaluating prediction models / A. J. Vickers, E. B. Elkin // Medical Decision Making. – 2006. – Vol. 26, no. 6. – Р. 565–574.

33. Vickers, A. J. Net benefit approaches to the evaluation of prediction models, molecular markers, and diagnostic tests [Electronic resource] / A. J. Vickers, B. Van Calster, E. W. Steyerberg // BMJ. – 2016. – Vol. 352. – Mode of access: https://www.bmj.com/content/bmj/352/bmj.i6.full.pdf. – Date of access: 12.09.2023.

34. Extensions to decision curve analysis, a novel method for evaluating diagnostic tests, prediction models and molecular markers / A. J. Vickers [et al.] // BMC Medical Informatics and Decision Making. – 2008. – Vol. 8. – Р. 1–17.


Рецензия

Для цитирования:


Красько О.В., Ревтович М.Ю., Иванов А.В. Прогнозирование и принятие решений на основе модели нелинейных рисков при лечении рака желудка. Информатика. 2024;21(1):65-82. https://doi.org/10.37661/1816-0301-2024-21-1-65-82

For citation:


Krasko O.V., Reutovich M.Yu., Ivanov A.V. Prediction and decision-making based on nonlinear risks model in stomach cancer treatment. Informatics. 2024;21(1):65-82. (In Russ.) https://doi.org/10.37661/1816-0301-2024-21-1-65-82

Просмотров: 90


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)