RU2808357C1 - Прогностический способ оценки ожидаемой продолжительности жизни у пациентов с рецидивной глиобластомой - Google Patents
Прогностический способ оценки ожидаемой продолжительности жизни у пациентов с рецидивной глиобластомой Download PDFInfo
- Publication number
- RU2808357C1 RU2808357C1 RU2023108169A RU2023108169A RU2808357C1 RU 2808357 C1 RU2808357 C1 RU 2808357C1 RU 2023108169 A RU2023108169 A RU 2023108169A RU 2023108169 A RU2023108169 A RU 2023108169A RU 2808357 C1 RU2808357 C1 RU 2808357C1
- Authority
- RU
- Russia
- Prior art keywords
- life expectancy
- patients
- recurrent
- months
- recurrent glioblastoma
- Prior art date
Links
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 21
- 208000005017 glioblastoma Diseases 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000002349 favourable effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 6
- 239000003814 drug Substances 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 206010028980 Neoplasm Diseases 0.000 description 9
- 238000004393 prognosis Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 230000004083 survival effect Effects 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 3
- 201000010915 Glioblastoma multiforme Diseases 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 210000003657 middle cerebral artery Anatomy 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000002435 cytoreductive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
Abstract
Изобретение относится к области медицины, в частности к областям нейрохирургии и методам статистического анализа в медицине. Предложен способ, в котором на основе проведенных анализа и статистической обработки была сформирована формула расчета ожидаемой продолжительности жизни изучаемой категории пациентов. На основе нее был разработан электронно-вычислительный прогностический метод, позволяющий путем введения значения объема рецидивной глиобластомы произвести расчет ожидаемой продолжительности жизни пациента в качественном отношении - больше или меньше 13 месяцев. Изобретение обеспечивает прогнозирование на дооперационном этапе нейрохирургического лечения, в случае его выполнения - ожидаемую продолжительность жизни пациентов с рецидивными глиобластомами посредством математического расчета с получением результата бинарного исхода.
Description
Изобретение относится к области медицины, в частности, к областям нейрохирургии и методам статистического анализа в медицине. Изобретение предназначено для срока ожидаемой продолжительности жизни пациента с рецидивной глиобластомой в соответствии с вводимыми значениями объема рецидивной глиобластомы в выведенную дискриминантную функцию, характеризующую вероятность лучшей продолжительности жизни (более 13 месяцев).
Возможность определить срок ожидаемой продолжительности жизни у пациентов с рецидивными глиобластомами может оказать значительную помощь как в определении тактики ведения таких пациентов, так и в обеспечении доведения до самих пациентов (либо их законных представителей) более достоверных прогностических сведений об их состоянии здоровья. Кроме того, это позволит предлагать методы лечения, наиболее применимые к конкретному клиническому случаю в целях практического достижения потенциально максимального определяемого для данной клинической картины срока жизни.
На данный момент при ретроспективных исследованиях клинических случаев рецидивных глиобластом ключевое значение уделяется выживаемости показателям продолжительности жизни пациентов при различных комбинациях применявшегося лечения. Вместе с тем, не менее значимым, по мнению авторов, является определение временной границы ожидаемой продолжительности жизни данных пациентов.
На сегодняшний день в мире не зарегистрировано прямых формульных алгоритмов расчета границ сроков ожидаемой продолжительности жизни пациентов с рецидивной глиобластомой.
Однако нельзя не отметить распространенность в мире калькуляторов расчета вероятностей наступления конечного исхода у пациентов с рецидивными глиобластомами. Многие из них в качестве опорных значений для расчета используют статистически выявленные предикторы риска - среди которых зачастую отмечают объем опухоли, максимальные размеры в поперечнике, локализацию патологического образования или же функциональный статус.
В качестве примера можно привести калькулятор расчета выживаемости после хирургического лечения пациентов с рецидивными мультиформными глиобластомами на основе шкалы предикторов плохого прогноза. Данный способ подразумевает использование в качестве предикторов исхода объем опухоли (объем опухоли > 50 см3), оценку состояния по шкале Карновского (KPS), а также по шкале MSM (Motor-Speech-Middle cerebral artery score), характеризующей локализацию опухоли либо ее рецидива вблизи от моторной или речевой зон, а также прилежание опухоли к М1-2 сегментам средней мозговой артерии (СМА). (Park J.K. et al. Scale of predict survival after surgery for recurrent glioblastoma multiforme// Journal of Clinical Oncology. - 2010. - T.28. - №24. - C. 3838-3843).
К недостаткам данного способа следует отнести в первую очередь расчет только вероятности наступления исхода, без конкретной качественной интерпретации полученной в процентах вероятности в конкретных временных промежутках. А необходимость определения риска по шкале MSM - посредством определения «окружения» глиобластомного узла - подразумевает применение высокотехнологичных методик инструментальной диагностики, что само по себе существенно повышает себестоимость проведения прогностического расчета. Кроме того, данное исследование было повторено группой авторов (Park C.K. et al. A practical scoring system to determine whether to proceed with surgical resection in recurrent glioblastome//Neuro-oncology. - 2013. - T.15. - №. 8. - C. 1096-1101), с соблюдением исходных условий, предложенных данными авторами (количественно и качественно идентичные выборки пациентов, исследуемые предикторы риска исхода, используемые методы статистического анализа полученных данных). При этом были получены другие результаты и сформирована иная модель шкалы риска, что вынудило ряд зарубежных экспертов усомниться в правильности трактовки авторами первоначального исследования полученных ими результатов. Данный факт указывает на низкую воспроизводимость результата и сомнительность в точности прогностического определения риска наступления негативного исхода, что не позволяет в клинической практике руководствоваться данной методикой.
Цель предлагаемого авторами изобретения - прогнозирование на дооперационном этапе нейрохирургического лечения, в случае его выполнения, ожидаемую продолжительность жизни пациентов с рецидивными глиобластомами посредством математического расчета с получением результата бинарного исхода.
Задачами заявляемого изобретения являются:
1) Определение ожидаемого срока продолжительности жизни у пациентов с рецидивными глиобластомами при микрохирургической циторедукции;
2) Основываясь на результатах расчета ожидаемой продолжительности жизни пациентов с рецидивными глиобластомами, осуществлять дифференцированный выбор метода лечения, наиболее оптимальный для данных пациентов;
3) Внедрение в клиническую практику разрабатываемой математической модели позволит улучшить индивидуально-ориентированный подход к лечению изучаемой категории пациентов, экономить время медицинского персонала, а также финансовые средства, затрачиваемые на хирургическое лечение.
В процессе разработки предлагаемого нами способа расчета предварительно был изучен статистический вклад минимальный набор четко измеряемых вероятных предикторов исходов хирургического лечения рецидивной глиобластомы: возраст (полных лет), объем первичной опухоли (см3), безрецидивный период (мес.), максимальный размер рецидива (см), объем рецидивной опухоли (см3), максимальный размер оставшейся рецидивной опухоли (см), объем оставшейся рецидивной опухоли (см3), степень радикальности удаления при повторной операции (%).
Статистический анализ выполнен при помощи прикладной статистической программы SPSS 26. В связи с тем, что в анализе выживаемости нет такого показателя, как экстремальные значения/выбросы/крайние значения, границы крайних значений общей продолжительности жизни были установлены произвольно. Далее были сформированы группы сравнения, основанные на анализе показателя общей продолжительности жизни без учета цензурирования, отложенных на временной прямой. Те пациенты, продолжительность жизни которых находилась в интервале от минимального значения до Q1 (составили группу I) или за пределами Q3 (составили группу III) были отнесены к категории показателей крайних значений общей продолжительности жизни. Пациенты (50%) с общей продолжительностью жизни, находящейся в интерквартильном промежутке были отнесены к группе II. Значение Q1 составило 13 месяцев и принималось нами как граница благоприятного (более 13 месяцев) и неблагоприятного исхода (менее 13 месяцев).
Сравнительный анализ общей продолжительности жизни между этими тремя группами проведен при помощи доступных в SPSS статистических критериев (Log Rank критерий Мантеля-Кокса, Breslow, Taron-Ware) по методу Каплана-Мейера. Были получены статистически значимые отличия изучаемого показателя, в том числе и при попарных сравнениях между группами (p<0,001).
С целью выявления категории пациентов с благоприятным прогнозом выполнен дискриминантный анализ на группе пациентов, оперированных по поводу РГ. Результаты данного анализа также позволят выявлять пациентов с неблагоприятным прогнозом (ожидаемая продолжительность жизни при удалении РГ менее 13 месяцев от момента установки диагноза), и в то же время позволят обоснованно мотивировать пациента к оперативному вмешательству при РГ.
Для реализации цели в базе данных сформирована дополнительная переменная, отражающая две группы пациентов: I группа (исход наступал до 13 месяцев) - пациенты (n=10, 27,8%), которые соответствовали I группе при сравнительном анализе 3х групп (деление выборки по квартилям), II группа (исход наступал после 13 месяцев) - объединенная группа пациентов (n=26, 72,2%) из групп II и III при сравнительном анализе 3х групп. Анализ проводился только среди наблюдений с завершенными случаями (n=36).
Дискриминантный анализ проводился с шаговым отбором, уровень значимости различий, определяемый по методу λ Уилкса установлен на уровне 0,05. В результате дискриминантного анализа с включением в него статистически значимых переменных была получена следующая модель (1):
где:
Y - дискриминантная функция, характеризующая вероятность лучшей продолжительности жизни (более 13 месяцев);
-1,114 - константа;
Х - объем РГ (в см3).
В связи с тем, что включение в дискриминантный анализ всех статистически значимых переменных не учитывается в итоговом выводе, для прогнозирования ожидаемой продолжительности жизни пациента следует ориентироваться на объем (в см3) РГ.
Константа дискриминации, разделяющая пациентов на две группы, определялась как значение функции, равноудаленное от центроидов, которые составили в группе I (с худшим прогнозом) 2,038, а в группе II (с лучшим прогнозом) - -0,408. Другими словами, константа дискриминации представляет собой среднее арифметическое центроидов. Соответственно, константа дискриминации равна 0,815.
Принадлежность пациентов к I группе (с низкой продолжительностью жизни) или ко II группе (c большей продолжительностью жизни) определялась исходя из рассчитанных значений дискриминантной функции (1): при значении Y более 0,815 пациент относился ко II группе, при значении Y менее 0,815 - к I группе. Чувствительность и специфичность полученной модели (1) составили 92% и 60%.
Для удобства пользователей дискриминантную функцию можно привести к значению 0, увеличив константу -1,114 на 0,815. Таким образом, дискриминантная функция будет выглядеть следующим образом (2):
При этом, интерпретация модели (1) облегчается за счет того, что не стоит запоминать число 0,815, а проводить сравнения полученной функции Y (2) с 0. Если Y>0, то следует ожидать бóльшую продолжительность жизни (более 13 месяцев), и наоборот.
В табличном редакторе Microsoft Excel разработан специальный калькулятор (табл.1).
Claims (6)
- Способ бинарного определения продолжительности жизни более 13 месяцев, отличающийся тем, что на дооперационном этапе лечения определяют благоприятный или неблагоприятный исход ожидаемой продолжительности жизни относительно 13 месяцев на основе влияния единственного предиктора - объема рецидивной глиобластомы в см3:
- Y=-1,114+0,029*Х,
- где Y - дискриминантная функция, характеризующая вероятность, благоприятную или неблагоприятную, продолжительности жизни относительно 13 месяцев;
- -1,114 - константа;
- Х - объем рецидивной глиобластомы в см3,
- при значении Y более 0,815 пациента относят к благоприятному исходу, при значении Y менее 0,815 - к неблагоприятному.
Publications (1)
Publication Number | Publication Date |
---|---|
RU2808357C1 true RU2808357C1 (ru) | 2023-11-28 |
Family
ID=
Non-Patent Citations (1)
Title |
---|
Park J.K. et al. Scale of predict survival after surgery for recurrent glioblastoma multiforme // Journal of Clinical Oncology. - 2010. - T.28. - N24. - C. 3838-3843. John K. Park et al., Scale to Predict Survival After Surgery for Recurrent Glioblastoma Multiforme, ORIGINAL REPORTS Neurooncology, JOURNAL OF CLINICAL ONCOLOGY, VOLUME 28 - NUMBER 24 - * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019071098A2 (en) | METHODS FOR PREDICTING OR DETECTING DISEASE | |
Ye et al. | Building and verifying a severity prediction model of acute pancreatitis (AP) based on BISAP, MEWS and routine test indexes | |
CN102037355A (zh) | 基于多重生物标记物板块诊断和监测抑郁症 | |
Nicholls et al. | Emerging detection techniques for large vessel occlusion stroke: a scoping review | |
Chicco et al. | Arterial disease computational prediction and health record feature ranking among patients diagnosed with inflammatory bowel disease | |
Darwiche et al. | Machine learning methods for septic shock prediction | |
Chen et al. | A Machine Learning Approach to Support Urgent Stroke Triage Using Administrative Data and Social Determinants of Health at Hospital Presentation: Retrospective Study | |
Funnell et al. | Characterization of patients with idiopathic normal pressure hydrocephalus using natural language processing within an electronic healthcare record system | |
RU2808357C1 (ru) | Прогностический способ оценки ожидаемой продолжительности жизни у пациентов с рецидивной глиобластомой | |
Laursen et al. | Doctors identify hemorrhage better during chart review when assisted by artificial intelligence | |
RU2692667C1 (ru) | Способ прогнозирования развития рецидивирующего инфаркта миокарда после повторного инфаркта миокарда у мужчин моложе 60 лет | |
EP4428864A1 (en) | Method for diagnosing cancer by using sequence frequency and size at each position of cell-free nucleic acid fragment | |
Cătană et al. | Diagnostic and prognostic value of microRNAs for Alzheimer’s disease: a comprehensive meta-analysis | |
CN116312800A (zh) | 一种基于血浆中循环rna全转录组测序的肺癌特征识别方法、装置和存储介质 | |
RU2716452C1 (ru) | Способ прогнозирования развития дисфункции почек в конце подострого периода инфаркта миокарда у мужчин моложе 60 лет | |
Nathan | Counterfactual reasoning in molecular medicine | |
Shand et al. | A stronger association of depression with rheumatoid arthritis in presence of obesity and hypertriglyceridemia | |
Williams et al. | Towards Quantification of Bias in Machine Learning for Healthcare: A Case Study of Renal Failure Prediction | |
Coates et al. | Classification and categorisation of psoriatic arthritis | |
Meyer et al. | A Supervised Machine Learning Approach with Feature Selection for Sex-Specific Biomarker Prediction | |
Murphy | Longitudinal studies 1: Determinants of risk | |
Liu et al. | Prognostic significance of urine paraquat concentrations of patients with acute paraquat poisoning on admission at the emergency department | |
RU2825506C1 (ru) | Способ прогнозирования развития прогрессирующего течения рассеянного склероза | |
CN111518882A (zh) | 通过分子标志物辨识激素性股骨头坏死的中医证型的系统 | |
Levinson | Weak associations between prognostic biomarkers and disease in preliminary studies illustrates the breach between statistical significance and diagnostic discrimination |