RSS-Feed abonnieren
DOI: 10.1055/s-0037-1682010
Neurale Netzwerke zur Vorhersage des Überlebens nach TACE bei Patienten mit HCC
Publikationsverlauf
Publikationsdatum:
27. März 2019 (online)
Zielsetzung:
Transarterielle Chemoembolisation (TACE) ist die Standardtherapie für Patienten mit Hepatozellulärem Karzinom (HCC) im intermediären Stadium (BCLC-B). Selbst für erfahrene Untersucher ist es jedoch oft schwer zu entscheiden, ob eine erneute TACE durchgeführt, oder auf eine andere Therapie gewechselt werden sollte. Zur Objektivierung wurden in den letzten Jahren diverse Scoring- Systeme entwickelt, z.B. ART, ABCR, und SNACOR; die Vorhersagekraft war jedoch in mehreren externen Validierungen lediglich moderat. Ziel dieser Arbeit war es daher ein neues Vorhersagemodell mittels innovativer Machine Learning-Algorithmen zu entwickeln.
Material und Methoden:
Eingeschlossen wurden 792 konsekutive HCC-Patienten, die mittels TACE zwischen 01/2005 – 08/2017 behandelt wurden. Die klinischen Parameter wurden aus dem Labor sowie einer dedizierten HCC-Datenbank extrahiert, das Tumoransprechen im Konsensus durch zwei Radiologen nach mRECIST bestimmt. Im Anschluss wurde ein neurales Netz entwickelt. Dieses beinhaltet alle Parameter der genannten Scoring-Systeme zum Zeitpunkt vor erster TACE: BCLC- und Child-Stadium, Tumorgröße und -anzahl, AFP und AST sowie vor zweiter TACE: Ansprechen auf erste TACE, Child und AST. Im zweiten Schritt wurden weitere klinisch potentiell einflussreiche Parameter in das Modell eingepflegt: Alter, Ätiologie, Diabetes, Nikotinabusus, Bilirubin, Albumin, ALT, Thombozyten, Natrium und Sarkopenie.
Ergebnisse:
Das Neurale Netzwerk war in der Lage das 1-Jahres-Überleben gut vorherzusagen, die AUC betrug 0,72. Der positive prädiktive Wert lag bei 0,64.
Schlussfolgerungen:
Neurale Netzwerke sind besser in der Vorhersage des Überlebens nach TACE als konventionelle „analoge“ Ansätze wie z.B. ART, ABCR oder SNACOR. Weitere Parameter sowie eine größere Stichprobe in einem Multicenter-Ansatz könnten die Prädiktion weiter verbessern. Perspektivisch sollten solche Vorhersagemodelle fest in bestehende klinische IT-Systeme wie Labor, KIS oder RIS integriert werden um zu einer Objektivierung der Entscheidungsfindung beizutragen.
#