Αφηρημένο

εξατομικευμένες προσεγγίσεις για την πρόγνωση είναι ζωτικής σημασίας για την αποτελεσματική διαχείριση των ασθενών με καρκίνο. Έχουμε αναπτύξει μια μεθοδολογία για να εκχωρήσετε εξατομικευμένη 5 ετών για συγκεκριμένες ασθένειες πιθανότητες θανάτου σε 1.222 ασθενείς με μελάνωμα και σε 1.225 ασθενείς με καρκίνο του μαστού. Για κάθε καρκίνο, τρεις υποομάδες κινδύνου εντοπίστηκαν από στρωματοποίηση των ασθενών ανάλογα με το αρχικό στάδιο, και τις πιθανότητες πρόβλεψης δημιουργήθηκαν με βάση τους συντελεστές πιο στενά συνδεδεμένη με 5-ετή θάνατο συγκεκριμένες ασθένειες. Ξεχωριστή πιθανότητες υποομάδα συγχωνεύτηκαν για να σχηματίσουν ένα ενιαίο σύνθετο δείκτη, και προγνωστική αποτελεσματικότητά του εκτιμήθηκε με διάφορα μέτρα, συμπεριλαμβανομένης και της περιοχής (AUC) στο πλαίσιο δέκτη της λειτουργίας χαρακτηριστικό (ROC) καμπύλη. Η μεθοδολογία με επίκεντρο τον ασθενή επιτευχθεί μια AUC των 0.867 στην πρόβλεψη των 5 ετών θανάτου συγκεκριμένες ασθένειες, σε σύγκριση με 0.787 που χρησιμοποιούν μόνο του την ταξινόμηση στάσης AJCC. Όταν εφαρμόζεται σε ασθενείς με καρκίνο του μαστού, πέτυχε μια AUC των 0.907, σε σύγκριση με 0.802 που χρησιμοποιούν μόνο του την ταξινόμηση στάσης AJCC. Μια προγνωστική αλγόριθμος που παράγεται από ένα τυχαία επιλεγμένο επιμέρους δείγμα εκπαίδευση 800 ασθενών με μελάνωμα διατηρημένα 92,5% των προγνωστικών αποτελεσματικότητά του (όπως μετράται από την AUC) όταν ο ίδιος αλγόριθμος εφαρμόστηκε σε επιμέρους δείγμα επικύρωσης περιέχει τα υπόλοιπα ασθενείς. Τέλος, η προσαρμοσμένη προγνωστική προσέγγιση ενίσχυσε την ταυτοποίηση των υποψηφίων υψηλού κινδύνου για επικουρική θεραπεία σε μελάνωμα. Τα αποτελέσματα αυτά περιγράφουν ένα μυθιστόρημα με επίκεντρο τον ασθενή προγνωστική μέθοδο με βελτιωμένη προγνωστική αποτελεσματικότητα σε σύγκριση με το στάδιο AJCC μόνη της σε δύο διακριτές κακοήθειες που προέρχονται από δύο ξεχωριστούς πληθυσμούς

Παράθεση:. Kashani-Sabet Μ, Sagebiel RW, Joensuu Η Miller JR III (2013) Μια Μεθοδολογία επίκεντρο τον ασθενή που βελτιώνει την ακρίβεια των προγνωστικών Προγνωστικά στον Καρκίνο. PLoS ONE 8 (2): e56435. doi: 10.1371 /journal.pone.0056435

Επιμέλεια: Soheil Σ Dadras, Πανεπιστήμιο του Κονέκτικατ Κέντρο Υγείας, Ηνωμένες Πολιτείες της Αμερικής

Ελήφθη: 16, Αυγούστου 2012? Αποδεκτές: 10 του Γενάρη του 2013? Δημοσιεύθηκε: 27 Φεβρουαρίου 2013

Copyright: © 2013 Kashani-Sabet et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, ​​με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

Χρηματοδότηση:. Αυτό το έργο υποστηρίχθηκε από Ηνωμένες Πολιτείες Δημόσιας Υγείας Υπηρεσία Χορηγιών CA114337 και CA122947 (με MKS). Οι χρηματοδότες δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου

Αντικρουόμενα συμφέροντα:. Mohammed Kashani-Sabet κατέχει απόθεμα στο μελάνωμα Diagnostics, Inc., και ο James R. Miller III έχει ιδιοκτησιακό συμφέρον στην MDMS, LLC. Υπάρχουν και άλλα δεν τα διπλώματα ευρεσιτεχνίας, τα προϊόντα για την ανάπτυξη ή την εμπορία προϊόντων που να δηλώνουν. Αυτό δεν αλλάζει την τήρηση των συγγραφέων σε όλες τις PLoS ONE πολιτικές για την ανταλλαγή δεδομένων και υλικών, όπως περιγράφεται λεπτομερώς σε απευθείας σύνδεση στον οδηγό για τους συγγραφείς.

Εισαγωγή

Η τέχνη της πρόγνωσης έχει μακρά ιστορία, όπως οι γιατροί έχουν προσπαθήσει να κατανοήσουν την κλινική συμπεριφορά της νόσου. Αρχαίοι Αιγύπτιοι εκτιμώμενη επιβίωση των ασθενών, προκειμένου να καταλήξουμε σε μια αρχική σύναψη είτε «ένας ασθενής που θα αντιμετωπίσει» ή «ένας ασθενής δεν πρέπει να αντιμετωπίζονται» (πρώην με την ευκαιρία να θεραπεύσει και την τελευταία σκέψη για να είναι ανίατη). Πιο πρόσφατα, έχουν προγνωστική μοντέλα έχουν αναπτυχθεί με τη χρήση μηχανογραφικών αναλύσεις μεγάλων βάσεων δεδομένων των ασθενών με κοινά καταγράφονται οι παράγοντες για να προβλέψει το αποτέλεσμα. Σε τέτοιες αναλύσεις παράγοντας με επίκεντρο, τα αποτελέσματα είναι συνήθως αναφέρεται από την άποψη των σχετικών κινδύνων, οι πιθανότητες αναλογίες και P-αξίες που σχετίζονται με κάθε παράγοντα. Στον τομέα του καρκίνου, οι ταξινομήσεις στάσης αναπτύσσονται από αυτές τις προγνωστικές αναλύσεις και αποτελούν τα κύρια μέσα για την πρόβλεψη των αποτελεσμάτων των ασθενών και της λήψης αποφάσεων θεραπείας. Ωστόσο, δεν είναι συνήθως τα προϊόντα των αναλύσεων με επίκεντρο τον ασθενή. Αντιστοίχιση πιθανότητα επιβίωσης 5 ετών σε μια ομάδα ασθενών σε ένα συγκεκριμένο στάδιο μιας δεδομένης κακοήθεια δεν είναι το ίδιο με την παροχή ενός ξεχωριστά προσαρμοσμένα προγνωστική πιθανότητα για κάθε ασθενή ξεχωριστά.

αναλύσεις Ασθενών με επίκεντρο λάβει διαφορετική προσέγγιση . Οι προγνωστικοί συμπεράσματα δήλωσε από την άποψη της πιθανότητας ενός ατόμου ασθενούς αντιμετωπίζουν ή /και του χρόνου που απαιτείται για να αντιμετωπίσετε κάποια εμφανή εκδήλωση, όπως υποτροπή ή θάνατο. Προγνωστικοί παράγοντες βοηθούν να καθορίσουν αυτές τις πιθανότητες και έχει παρέλθει φορές, αλλά οι παράγοντες, οι ίδιοι, δεν είναι ο πρωταρχικός στόχος των αναλύσεων. μέτρα επιτυχία Ασθενής με επίκεντρο πρέπει να αντικατοπτρίζει την ακρίβεια των μεμονωμένων πιθανοτικής προβλέψεις και όχι η σχετική ισχύς των προγνωστικών παραγόντων. Επιπλέον, με επίκεντρο τον ασθενή προγνώσεις πρέπει να εντοπίσει και να αξιοποιήσει πιο σχετικοί παράγοντες που μπορούν να οδηγήσουν κλινικές αποφάσεις για έναν μεμονωμένο ασθενή. Ο κίνδυνος της εξέλιξης ή θανάτου μπορεί καλύτερα να προβλεφθεί με την αντιμετώπιση των παραγόντων πέραν εκείνων που ενσωματώθηκαν στην κατάταξη στάσης και από την ανάλυση των διαθέσιμων προγνωστικών παραγόντων σε ειδικά νέους τρόπους. Σε αυτό το χειρόγραφο, έχουμε αναπτύξει μια προγνωστική μέθοδο με επίκεντρο τον ασθενή και την εφάρμοσε τις καθιερωμένες βάσεις δεδομένων των ασθενών με μελάνωμα και τον καρκίνο του μαστού για να καθοριστεί προγνωστική ακρίβεια, σε σύγκριση με την πρόβλεψη αυστηρά βάσει του αρχικού σταδίου.

Υλικά και μέθοδοι

Δήλωση Ηθικής

Αυτή η προγνωστική ανάλυση εγκρίθηκε από τα θεσμικά συμβούλια αναθεώρηση του Πανεπιστημίου της Καλιφόρνια στο Σαν Φρανσίσκο και στο Ιατρικό Κέντρο της Καλιφόρνια Ειρηνικού. Η ανάλυση βασίστηκε σε ανασκόπηση διαγραμμάτων για την πλειονότητα των ασθενών που εισάγονται στις βάσεις δεδομένων. Ως εκ τούτου, κρίθηκε ελάχιστο κίνδυνο από αυτές τις επιτροπές επανεξέτασης, και δεν απαιτείται συγκατάθεση. Γραπτή ενημερωμένη συγκατάθεση λήφθηκε από τους ασθενείς των οποίων οι ιστοί ελέγχθηκαν ως μέρος της ανάλυσης. Οι διαδικασίες αυτές εγκρίθηκαν από τα προαναφερθέντα συμβούλια θεσμική αναθεώρηση.

πληθυσμοί Μελέτη

Έχουμε συσσωρεύσει μια ομάδα από 1.222 ασθενείς Ηνωμένες Πολιτείες, που είχαν διαγνωστεί με πρωτογενές δερματικό μελάνωμα μεταξύ 1971 και 2006, των οποίων η δημογραφική σύνθεση εμφανίζεται στο Πίνακας S1. Η μέση και διάμεση χρόνοι παρακολούθησης ήταν 7,93 χρόνια και 7,44 χρόνια, αντίστοιχα.

Επιπλέον, είχαμε πρόσβαση σε περιγράφηκε προηγουμένως [1] το σύνολο δεδομένων των 1.225 ασθενών με καρκίνο του μαστού από το Turku, Φινλανδία, με μέση και διάμεση παρακολούθηση των 9,97 και 8,5 χρόνια, αντίστοιχα. Η δημογραφική σύνθεση της κλάσης του καρκίνου του μαστού φαίνεται στον Πίνακα S2.

Ανάλυση των προγνωστικών παραγόντων

Το μελάνωμα.

Δεκαπέντε προγνωστικούς παράγοντες καταγράφηκαν κατά τη στιγμή της διάγνωσης του πρωτογενούς δερματικού μελάνωμα και κατανεμήθηκε σε δύο ομάδες προγνωστικός παράγοντας. Η πρώτη ομάδα παράγοντας αποτελείται από έξι παράγοντες, μεταξύ των οποίων τρεις ιστολογική παράγοντες ενσωματωθεί στην τρέχουσα AJCC στάσης ταξινόμηση (δηλαδή, το πάχος του όγκου, εξέλκωση, και μιτωτική ποσοστό) [2], και τρεις κλινικούς παράγοντες περιλαμβάνονται στις αναλύσεις της επιτροπής στάσης μελάνωμα AJCC (π.χ. , την ηλικία, το φύλο, και το site του όγκου) [3], [4]. Οι ακόλουθες εννέα ιστολογικές παράγοντες περιλαμβάνονται σε μια δεύτερη ομάδα παράγοντα: ιστολογική υπότυπο, επίπεδο Clark, παρουσία ή απουσία μικροδορυφόρων, αγγειακή εμπλοκή, οπισθοδρόμηση, βαθμός αγγείωσης όγκου, επίπεδο των λεμφοκυττάρων που διεισδύουν σε όγκο, τον αριθμό των θετικών λεμφαδένων, και η εντός υποομάδας αρχική AJCC στάδιο. Η πιθανή προγνωστική σημασία αυτών των παραγόντων είχε προηγουμένως ελεγχθεί [5]. Ο τρόπος με τον οποίο ορίζονται οι πρόσθετες αυτές προγνωστικούς παράγοντες, μετριέται, και κωδικοποιούνται περιγράφηκε προηγουμένως [6], [7].

Η προγνωστική επίπτωση των εννέα μοριακών παραγόντων (NCOA3, SPP1, RGS1, WNT2, FN1, ARPC2, PhIP, POU5, και ρ65 υπομονάδα του ΝΡ-κΒ), αποτελώντας μια τρίτη ομάδα παράγοντα, εξετάστηκε σε ιστούς από 375 από τα 1222 ασθενείς με μελάνωμα χρησιμοποιώντας ανοσοϊστοχημική ανάλυση. Η ατομική ρόλος πολλών από αυτούς τους δείκτες σε εξέλιξη μελανώματος, συμπεριλαμβανομένων των μεθόδων που χρησιμοποιούνται για ανοσοϊστοχημική χρώση και βαθμολόγησης, περιγράφηκε προηγουμένως [8] – [11]. Η προγνωστική σημασία των διαφόρων αυτών των μοριακών παραγόντων έχει επικυρωθεί σε άλλα σύνολα ιστό ή από άλλους ερευνητές [10], [12] -.. [14]

Καρκίνο του Μαστού

Πραγματοποιήσαμε μια παρόμοια ανάλυση στην ομάδα μας των 1.225 ασθενών με καρκίνο του μαστού. Οι διαθέσιμες προγνωστικούς παράγοντες διαιρούνται στις ακόλουθες τρεις ομάδες: η πρώτη ομάδα παράγοντας περιλαμβάνεται ηλικία του ασθενούς, ανατομική θέση του πρωτογενούς όγκου εντός του μαστού, το μέγεθος του πρωτογενούς όγκου κατά μήκος της μακρύτερης διάστασης της (σε χιλιοστόμετρα), μιτωτική σκορ και εξέλκωση του ο πρωτογενής όγκος. Η δεύτερη ομάδα παράγοντας αποτελείτο από δώδεκα ακόλουθους παράγοντες: τον τύπο του πρωτοπαθούς όγκου (πορογενές ή λοβιακό), το βαθμό του όγκου, νέκρωση, σχηματισμός σωληναρίων, πυρηνική πλειομορφία, φλεγμονή, το επίπεδο των υποδοχέων οιστρογόνων (fmol./mg.), Το επίπεδο των υποδοχέων προγεστερόνης (fmol. /mg.), αμφιδρομία, τιμή κλίμακας T, αξίας κλίμακα Ν, και Μ τιμή της κλίμακας. Η τρίτη ομάδα παράγοντας αποτελείται από τους εξής δύο παράγοντες:. Ακτινοθεραπεία (ναι ή όχι), και τον τύπο της επικουρικής θεραπείας, εάν υπάρχει

Στατιστική Ανάλυση

Για να αναπτύξει ένα προγνωστικό αλγόριθμο με επίκεντρο τον ασθενή για συγκεκριμένες νόσους θάνατο εντός 5 ετών από τη διάγνωση, τόσο του 1222 μελάνωμα και 1.225 ασθενείς με καρκίνο του μαστού είχαν πρώτα στρωματοποιήθηκαν σε τρεις υποομάδες του κινδύνου που ορίζονται, με βάση AJCC στάδιο κατά τη διάγνωση, εάν είναι διαθέσιμο, ή Τ, Ν και /ή το στάδιο M . Στην ομάδα του μελανώματος, αυτό οδήγησε σε μια υποομάδα χαμηλού κινδύνου που περιέχει 503 ασθενείς, μία υποομάδα ενδιάμεσου κινδύνου που περιέχει 423 ασθενείς, και μια υποομάδα υψηλού κινδύνου που περιέχει 296 ασθενείς. Στην ομάδα του καρκίνου του μαστού, η υποομάδα χαμηλού κινδύνου περιλαμβάνονται 552 ασθενείς, η ενδιάμεση υποομάδα περιελάμβανε 387 ασθενείς, και η υποομάδα υψηλού κινδύνου περιλαμβάνονται 286 ασθενείς. Διαστρωμάτωση και τα δύο δείγματα σε αυτές τις τρεις υποομάδες που σερβίρεται να διατηρούν επαρκή υποομάδα μεγέθη για να υποστηρίξει σταθερή στατιστικές εκτιμήσεις, διατηρώντας παράλληλα την σειρά κατάταξης των ποσοστών επιβίωσης 5 ετών από το στάδιο εγγενής σε κάθε ομάδα.

Στη συνέχεια, κάθε προγνωστικό παράγοντα μεταμορφώθηκε , ξεχωριστά σε κάθε ομάδα υψηλού κινδύνου, μέσω του Διαχωρισμός κλίμακας και διαστήματα Αλγόριθμος (ΑΕΕΣ) σε μία αντίστοιχη μονοπαραγοντική επιπτώσεων Αντανακλώντας Index (UIRI), όπως περιγράφεται στις μεθόδους S1.

Για καθένα από την ομάδα και τον ασθενή εννέα προγνωστικό παράγοντα συνδυασμούς ομάδα υψηλού κινδύνου, μια εξατομικευμένη προγνωστική αλγόριθμος αναπτύχθηκε (περιγράφεται στις μεθόδους S1). Ο αλγόριθμος βασίστηκε στην ανάλυση λογιστικής παλινδρόμησης των οποίων εξαρτημένη μεταβλητή ήταν η εμπειρία ή μη εμπειρία του θανάτου συγκεκριμένες ασθένειες εντός πέντε ετών από τη διάγνωση και των οποίων οι ανεξάρτητες μεταβλητές ήταν οι τιμές UIRI υπολογίζονται για τους παράγοντες κινδύνου και την υποομάδα ασθενών που αποτελούν αυτό το συνδυασμό. Ένα σύνθετο προγνωστική αλγόριθμος στη συνέχεια κατασκευάστηκε με τη συγχώνευση των υλικοτεχνικής εξόδους παλινδρόμησης των τριών υποομάδων του κινδύνου των ασθενών, όταν όλοι οι παράγοντες κινδύνου (δηλαδή, τις αξίες τους UIRI) χρησιμοποιήθηκαν ως ανεξάρτητες μεταβλητές της παλινδρόμησης.

Η προγνωστική της αποτελεσματικότητας των το σύνθετο αλγόριθμο αξιολογήθηκε χρησιμοποιώντας τρία μέτρα: την AUC που παράγεται από έναν δέκτη που λειτουργεί χαρακτηριστική ανάλυση (ROC)? μέση ατομική σφάλμα πιθανολογική πρόβλεψη του? και ελάχιστα εφικτό βαθμό εσφαλμένο χαρακτηρισμό της (οι δύο τελευταίοι ορίζονται στο Μέθοδοι S1). Όλες οι αναφερόμενες τιμές P είναι δύο όψεων.

Αποτελέσματα

Για να αναπτυχθεί μια προσέγγιση με επίκεντρο τον ασθενή, αναλύσαμε μια ομάδα από 1.222 ασθενείς με πρωτογενές δερματικό μελάνωμα (Πίνακας S1) και μια ξεχωριστή ομάδα της 1.225 ασθενείς με καρκίνο του μαστού (Πίνακας S2).

μια προσαρμοσμένη Προγνωστικοί Μοντέλο για το μελάνωμα

αρχικά, στρωματοποιημένη ομάδα μελανώματος μας, βασίζονται κυρίως σε αρχικό στάδιο, σε τρεις υποομάδες ασθενών. Η υποομάδα χαμηλού κινδύνου είχε ένα 94,6% 5-ετή επιβίωση συγκεκριμένες ασθένειες (DSS), η υποομάδα ενδιάμεσου κινδύνου είχε ένα 75,4% 5-ετή DSS, και η υποομάδα υψηλού κινδύνου είχε ένα 49,3% 5-ετή DSS. Οι τρεις υποομάδες είχαν σημαντικά διαφορετικά χαρακτηριστικά επιβίωσης, όταν αξιολογείται με 5-yr DSS (τεστ Kruskal-Wallis διορθώνεται για δεμένα παρατηρήσεις, P & lt? 0.001) και με ανάλυση Kaplan-Meier (δοκιμασία log-rank, P & lt?. 0.001, εικ 1Α) .

Πίνακας Β ανάλυση Kaplan-Meier του DSS από προγνωστικών υποομάδα στην ομάδα του καρκίνου του μαστού.

η

Για κάθε ομάδα προγνωστικός παράγοντας και υποομάδα ασθενών αναπτύξαμε μια ξεχωριστή προγνωστική αλγόριθμο που καλύτερα προέβλεψε 5-ετή θάνατο συγκεκριμένες ασθένειες. Ξεχωριστή αλγόριθμοι συγχωνεύθηκαν σε ένα ενιαίο, σύνθετο αλγόριθμο για κάθε ομάδα υψηλού κινδύνου. Κάθε σύνθετο αλγόριθμο που παράγεται μια αντίστοιχη σύνθετη προγνωστικό δείκτη. Τιμές του δείκτη αυτού ήταν μεμονωμένες πιθανότητες των 5 ετών θανάτου συγκεκριμένες ασθένειες ανατεθεί από τον σύνθετο προγνωστική αλγόριθμο για κάθε ασθενή. Σύμφωνα με την ανάλυση ROC, ο σύνθετος δείκτης δημιουργείται μια AUC των 0.867 (Εικ. 2Α). Ήταν σε θέση να προβλέψει σωστά 84,0% των 5 ετών εκδηλώσεις της νόσου, με αποτέλεσμα ένα ποσοστό εσφαλμένης ταξινόμησης 16,0%.

Πίνακας Β ROC οικόπεδα των 5 ετών με καρκίνο μαστού συγκεκριμένες πιθανότητες θανάτου υπολογίζεται από αναλύει διαφορετικές λογιστικής παλινδρόμησης. Σε κάθε πίνακα, καμπύλη 1 αντιπροσωπεύει το οικόπεδο ROC χρησιμοποιώντας αρχική AJCC στάδιο (unstratified), καμπύλη 2 η γραφική παράσταση ROC στρωματοποιημένη ανά στάδιο AJCC, και η καμπύλη 3 η γραφική παράσταση ROC που καθορίζεται από το σύνθετο σταθμισμένο δείκτη.

Η

Συγκρίναμε την προγνωστική αποτελεσματικότητα του σύνθετου δείκτη με αρκετές άλλες προγνωστικούς μεθοδολογίες. Αρχικά, αξιολογήσαμε τις έξι τακτικά διαθέσιμα προγνωστικούς παράγοντες από την εκτίμηση των ατομικών πιθανότητες των 5 ετών θανάτου συγκεκριμένες ασθένειες από μια πολλαπλή λογιστική παλινδρόμηση από αυτούς τους παράγοντες. Αυτό παρήγαγε μια AUC των 0,762, και ένα ποσοστό εσφαλμένης ταξινόμησης 21,2% (Πίνακας 1).

Η

Στη συνέχεια, πραγματοποιήσαμε μια εικονική μεταβλητή της λογιστικής παλινδρόμησης χρησιμοποιώντας στάδιο AJCC, μόνη της, να εκχωρήσει 5 ετών νόσο -εξειδικευμένης πιθανότητες θανάτου σε δείγμα μελάνωμα μας και καθορίζεται προγνωστική αποτελεσματικότητά του. Αυτή η ανάλυση απέδωσε μια AUC από 0.787 (Σχ 2Α και στον Πίνακα 1.) Και μειωμένο μέσο απόλυτο πιθανολογική σφάλμα πρόβλεψης (συνδυασμένα ζεύγη T-test, Ρ & lt? 0.001, Πίνακας 1).

Στη συνέχεια, περιελάμβανε τη έξι προγνωστικούς παράγοντες και να χρησιμοποιηθούν αρχική AJCC στάδιο να διαχωρίσουν τα 1.222 ασθενείς σε τρεις υποομάδες κινδύνου. Οι επιμέρους εκτιμήσεις πιθανότητας που παράγεται από την πολλαπλή λογιστική παλινδρόμηση αναλύσεις για κάθε υποομάδα συγχωνεύθηκαν, με αποτέλεσμα την AUC του 0,823, και περαιτέρω μείωσε τη μέση απόλυτη πιθανολογική σφάλματος (συνδυασμένα ζεύγη T-test, Ρ & lt? 0.001, Πίνακας 1).

Στη συνέχεια ενσωματώθηκαν τα δεκαοκτώ επιπλέον προγνωστικούς παράγοντες και σχηματίζεται το σύνθετο αλγόριθμο που περιγράφεται παραπάνω για τη δημιουργία του τελικού προγνωστική δείκτη. Ενίσχυση της μοντέλο σε αυτούς τους τρόπους αύξησε την AUC σε 0.867 και μειώνεται περαιτέρω η μέση απόλυτη πιθανολογική σφάλματος (συνδυασμένα ζεύγη T-test, P & lt?. 0,001, σχήμα 2Α και στον Πίνακα 1)

Στη συνέχεια κατασκευάστηκε ένα ξεχωριστό. σταθμισμένος δείκτης που έχει σχεδιαστεί για να αντανακλά τη σχετική προβλεπτική ικανότητα του κάθε προγνωστικό παράγοντα σε κάθε υποομάδα κινδύνου (Πίνακας S3). Έτσι, το πάχος του όγκου, μιτωτική ρυθμό, την αγγείωση του όγκου, το επίπεδο έκφρασης RGS1, και το επίπεδο έκφρασης FN1 ήταν ομοιόμορφα ισχυροί προγνωστικοί δείκτες, με θετικά βάρη σε όλες τις τρεις υποομάδες.

μια προσαρμοσμένη Προγνωστικοί Μοντέλο για τον Καρκίνο του Μαστού

Χρησιμοποιήσαμε την πανομοιότυπη διαδικασία να αναπτύξουν εξατομικευμένες προβλέψεις των 5 ετών DSS για ασθενείς με καρκίνο του μαστού, χρησιμοποιώντας δεδομένα από ομάδα μας των 1.225 ασθενών. Εμείς στρωματοποιημένη τη συνολική ομάδα σε τρεις υποομάδες των κινδύνων, με βάση τα κριτήρια AJCC στάσης για τον καρκίνο του μαστού. Η υποομάδα χαμηλού κινδύνου είχε ένα 88,6% 5-ετή DSS, η υποομάδα ενδιάμεσου κινδύνου είχε ένα 60,2% 5-ετή DSS, και η υποομάδα υψηλού κινδύνου είχε ένα 19,9% 5-ετή DSS. Οι τρεις προγνωστικές υποομάδες είχαν σημαντικά διαφορετικά χαρακτηριστικά επιβίωσης, όταν αξιολογείται με 5-yr DSS (τεστ Kruskal-Wallis διορθώνεται για δεμένα παρατηρήσεις, P & lt? 0.001) και με ανάλυση Kaplan-Meier (δοκιμασία log-rank, P & lt?. 0.001, εικ 1Β ).

Εφαρμογή της προσέγγισης με επίκεντρο τον ασθενή σε ασθενείς με καρκίνο του μαστού που δημιουργείται μια AUC των 0.907 (Εικ. 2Β). Το τελικό σύνθετο προγνωστικός δείκτης που αναπτύχθηκε για τον καρκίνο του μαστού ήταν σε θέση να προβλέψει σωστά 84,1% των 5 ετών θάνατοι συγκεκριμένες ασθένειες, με αποτέλεσμα ένα ποσοστό εσφαλμένης ταξινόμησης 15,9%.

Η αρχική ανάλυση παραγόντων με επίκεντρο αποτελείτο από πέντε προγνωστικοί παράγοντες που ήταν συγκρίσιμα όσο το δυνατόν με τους παράγοντες που χρησιμοποιούνται για την ανάλυση του μελανώματος (εκτός από το φύλο, όπως όλοι οι ασθενείς ήταν γυναίκες). Ο συνδυασμός αυτών των παραγόντων μέσω της λογιστικής παλινδρόμησης και την ανάπτυξη ενός εξατομικευμένων πιθανότητα 5ετούς θάνατο συγκεκριμένες ασθένειες ως αποτέλεσμα την AUC του 0,743 (Πίνακας 2).

Η

Στη συνέχεια, πραγματοποιήσαμε μια εικονική μεταβλητή λογιστικής παλινδρόμησης χρησιμοποιώντας AJCC στάδιο, μόνο, να εκχωρήσει 5-ετή νόσου συγκεκριμένες πιθανότητες θανάτου λόγω καρκίνου του μαστού και προσδιορίζεται προγνωστική την αποτελεσματικότητά του. Αυτή η ανάλυση απέδωσε μια AUC των 0.802 (Σχήμα 2Β.) Και μειωμένη μέση απόλυτη πιθανολογική σφάλμα πρόβλεψης (συνδυασμένα ζεύγη T-test, P & lt? 0,001, Πίνακας 2).

Στη συνέχεια, στρωματοποιημένη την ομάδα χρησιμοποιώντας τα τρία προγνωστικά υποομάδες με διαφορετικά DSS. Οι επιμέρους εκτιμήσεις πιθανότητας που παράγεται από την πολλαπλή λογιστική παλινδρόμηση αναλύσεις για κάθε υποομάδα συγχωνεύθηκαν, με αποτέλεσμα την AUC του 0.880 και μία περαιτέρω μειωμένη μέση απόλυτη πιθανολογική σφάλματος (συνδυασμένα ζεύγη T-test, Ρ & lt? 0.001, Πίνακας 2).

Τέλος, ενσωματώσαμε δεκατέσσερα επιπλέον προγνωστικούς παράγοντες και σχηματίζεται το σύνθετο αλγόριθμο που περιγράφηκε προηγουμένως για τη δημιουργία του τελικού προγνωστική δείκτη. Αυτή η διαδικασία αύξησε την AUC σε 0.907 και μειώνεται περαιτέρω η μέση απόλυτη πιθανολογική σφάλματος (συνδυασμένα ζεύγη T-test, P & lt?. 0,001, σχήμα 2Β και Πίνακας 2).

Ένα ξεχωριστό σταθμισμένος δείκτης ομοίως αναγνωρισθεί προγνωστικούς παράγοντες που ήταν σχετικά ισχυροί προγνωστικοί παράγοντες της 5-ετή θάνατο συγκεκριμένες ασθένειες σε κάθε υποομάδα κινδύνου (Πίνακας S4). Έτσι, μιτωτική ρυθμός και ο βαθμός του όγκου ήταν ομοιόμορφα ισχυροί προγνωστικοί δείκτες, με θετικά βάρη σε όλες τις τρεις υποομάδες.

Μια Επικύρωση Σπλιτ-Δείγμα της Πρόγνωσης Μεθοδολογία Προσαρμοσμένα σε μελάνωμα

Για να εξακριβωθεί η αξιοπιστία της διαδικασίας που χρησιμοποιείται για την κατασκευή σύνθετων προγνωστική αλγορίθμου μας, έχουμε χωρίσει τυχαία το δείγμα μας των ασθενών με μελάνωμα σε μια εκπαίδευση επιμέρους δείγμα των 800 και ένα επιμέρους δείγμα επικύρωσης των υπολοίπων ασθενών. Ασθενών στις δύο επιμέρους δείγματα χωρίστηκαν σε τρεις ξεχωριστές υποομάδες του κινδύνου, χρησιμοποιώντας ακριβώς τα ίδια κριτήρια που χρησιμοποιούνται για τη διαστρωμάτωση των ασθενών στο συνολικό δείγμα.

Στη συνέχεια, κατασκευάσαμε ένα σύνθετο αλγόριθμο από το επιμέρους δείγμα εκπαίδευσης, χρησιμοποιώντας την ίδια διαδικασία που εφαρμόζεται σε ολόκληρη την ομάδα. Αυτός ο αλγόριθμος ήταν αρκετά παρόμοια με τον αλγόριθμο που παράγονται για το συνολικό δείγμα. Ο σύνθετος δείκτης που παράγεται από το σύνθετο προγνωστικός αλγόριθμος κατασκευάζεται από το επιμέρους δείγμα εκπαίδευση βρέθηκε να είναι ανώτερη από τις αντίστοιχες πιθανολογική δείκτες που προέρχονται από τα έξι τακτικά διαθέσιμα προγνωστικούς παράγοντες και από την αρχική AJCC στάδιο και στις δύο επιμέρους δείγματα εκπαίδευση και την επικύρωση με ανάλυση ROC (τα στοιχεία δεν φαίνεται).

Τέλος, συγκρίναμε τις αποτελεσματικότητες προγνωστικών επιτυγχάνονται με το σύνθετο αλγόριθμο, όταν εφαρμοστεί στα επιμέρους δείγματα κατάρτισης και επικύρωσης. Όταν εφαρμόζεται σε 800 ασθενείς στην επιμέρους δείγμα εκπαίδευσης, πέτυχε μια AUC των 0,853. Όταν εφαρμόζεται στους υπόλοιπους ασθενείς στην επιμέρους δείγμα επικύρωσης, το ίδιο σύνθετο αλγόριθμο επιτευχθεί μια AUC των 0.789. Έτσι, ο αλγόριθμος που αναπτύχθηκε από το επιμέρους δείγμα εκπαίδευσης διατηρείται το 92,5% των προγνωστικών αποτελεσματικότητά του, όπως μετράται από την AUC, όταν εφαρμόζεται στο επιμέρους δείγμα επικύρωσης.

Βοηθητικό εξατομικευμένων Προγνωστικοί μεθοδολογία για τον εντοπισμό ασθενείς υποομάδες για την Επικουρική Θεραπεία

Στη συνέχεια, με στόχο να αξιολογηθεί κατά πόσον η προσαρμοσμένη μεθοδολογία θα μπορούσε να χρησιμοποιηθεί για να εντοπίσει συγκεκριμένες προγνωστικές υποομάδες ασθενών για συστημική επικουρική θεραπεία. ιντερφερόνη άλφα υψηλής δόσης (IFN) υπήρξε το πρότυπο επικουρική θεραπεία για το μελάνωμα για πάνω από μια δεκαετία. Τα παραδοσιακά κριτήρια επιλεξιμότητας για IFN [15] – [17] περιλαμβάνουν ασθενείς με παχύ πρωτογενές μελάνωμα (πάχος μεγαλύτερο από 4,0 mm) ή κόμβου-θετική νόσο. Χρησιμοποιώντας αυτά τα κριτήρια, εντοπίσαμε 492 ασθενείς με μελάνωμα μας ομάδα που είναι επιλέξιμες για τη θεραπεία IFN. Στη συνέχεια προσδιορίζονται ίδιο αριθμό των ασθενών που χρησιμοποιούν τη μεθοδολογία μας με τις υψηλότερες επιμέρους πιθανότητες 5 ετών θανάτου συγκεκριμένες ασθένειες (εκτός από τη φάση IV ασθενείς). Αυτά τα δύο επιμέρους δείγματα συνδυάστηκαν, και στη συνέχεια χωρίζεται σε τρεις αμοιβαία αποκλειστικές υποομάδες: 129 ασθενείς που προσδιορίζονται μόνο με τυπικά κριτήρια επιλεξιμότητας IFN (ομάδα 1)? 363 ασθενείς που προσδιορίζονται από τα δύο κριτήρια (ομάδα 2)? και 129 ασθενείς που προσδιορίζονται μόνο με τη μεθοδολογία μας (ομάδα 3). Η επιβίωσή τους αναλύθηκε χρησιμοποιώντας ανάλυση Kaplan-Meier. Εκτιμώντας ότι το DSS των ομάδων 2 και 3 δεν ήταν σημαντικά διαφορετική, το DSS της ομάδας 1 ήταν σημαντικά μεγαλύτερη σε σύγκριση με κάθε ομάδα 2 ή 3 από (Σχήμα 3, δοκιμασία log-rank, P & lt?. 0.001).

Η

Συζήτηση

σε αυτό το χειρόγραφο, περιγράφουμε μια μεθοδολογία με επίκεντρο τον ασθενή για να καθορίσει την πρόγνωση σχετίζεται με δύο κοινές και δυνητικά θανατηφόρες μορφές καρκίνου. Έχουμε αποδείξει ότι η χρήση αυτής της προσέγγισης οδηγεί σε σημαντικές βελτιώσεις σε σχέση με τη χρήση τυποποιημένων προγνωστικών μεθόδων, όταν πρόβλεψης αποτελεσματικότητα μετράται με τη χρήση της AUC, πιθανολογική σφάλματα πρόβλεψης, και τα ποσοστά εσφαλμένης ταξινόμησης στην πρόβλεψη των 5 ετών θάνατος οφείλεται σε μελάνωμα ή καρκίνο του μαστού.

Η χρήση προσαρμοσμένων προγνωστικής προσέγγιση μας οδήγησε στην AUC αυξάνεται στην πρόβλεψη τόσο 5 ετών ειδική για τον καρκίνο θανάτους. Μπορούμε επίσης να αποδείξει ότι η χρήση αυτής της μεθοδολογίας έχει ως αποτέλεσμα την βελτιωμένη ταυτοποίηση των υποψηφίων υψηλού κινδύνου για την επικουρική θεραπεία του μελανώματος

Έχουμε επιτύχει αυτές τις βελτιώσεις:. (I) από τον πρώτο διαστρωμάτωση των ασθενών σε ξεχωριστές ομάδες κινδύνου σύμφωνα με το αρχικό στάδιο και από τότε την εκτέλεση αναλύσεων, χωριστά, για κάθε ομάδα? (Ii) από την προ-μετατροπή όλων των προγνωστικών παραγόντων σε συγκριτικά βαθμονομηθεί δείκτες (UIRIs)? (Iii) με το χειρισμό λείπει παρατηρήσεις με τρόπο που δεν απαιτεί την εξάλειψη των ασθενών με αραιή δεδομένα από την ανάλυση? και (iv), με την ενσωμάτωση επιπλέον προγνωστικούς παράγοντες δεν συνήθως σταματούν σε συστήματα σταδιοποίησης, χρησιμοποιώντας αυτές τις ίδιες τρεις μεθοδολογικές συσκευές.

Επιπλέον, με επίκεντρο τον ασθενή προσέγγισή μας είναι διαφορετική από τις αναλύσεις παραδοσιακές προγνωστικό σε μια σειρά από άλλους τρόπους. Παραδοσιακά αναλύσεις συνήθως επικεντρώνονται στην σχετική προγνωστική ικανότητα των διαφόρων παραγόντων χρησιμοποιώντας πολυπαραγοντική Cox ή λογιστική παλινδρόμηση. Ωστόσο, διαθέτει ανεξάρτητη στατιστική σημαντικότητα δεν εγγυάται ότι ένας παράγοντας θα είναι προγνωστικά χρήσιμο για έναν μεμονωμένο ασθενή [18]. Επιπλέον, στάσης συστήματα συνήθως παρέχουν μια εκτίμηση επιβίωσης πάνω από ένα καθορισμένο χρονικό διάστημα (π.χ. 5 ή 10-ετής επιβίωση) για όλους τους ασθενείς σε μια ξεχωριστή υποτράπεζα του καρκίνου. Αντίθετα, η προσέγγισή μας μετατρέπει προγνωστική εξόδου σε προσαρμοσμένες ατομικές πιθανότητες κάποιου εμφανή εκδήλωση, όπως 5-ετή θάνατο συγκεκριμένες ασθένειες. Αυτή είναι η ουσία της προσέγγισης με επίκεντρο τον ασθενή. Επικεντρώνεται σε επιμέρους εκβάσεις ασθενούς και όχι για τη συγκριτική δραστικότητα ειδικών προγνωστικών παραγόντων. Επιπλέον, δημιουργεί ένα ξεχωριστό πιθανότητα 5-ετών θάνατος συγκεκριμένες ασθένειες για κάθε ασθενή ξεχωριστά. Αντιπροσωπεύει μια μετατόπιση του ενδιαφέροντος από τις ειδικές προγνωστικούς παράγοντες παρόντες σε ορισμένες υποομάδες ασθενών σε μεμονωμένες εκβάσεις των ασθενών. Ενώ ο ρόλος των προγνωστικών παραγόντων παραμένει ζωτικής σημασίας, οι παράγοντες χρησιμεύσει τώρα ως βάση επί της οποίας υπολογίζεται ατομικά προσαρμοσμένες πιθανότητες του ασθενούς. Προγνωστικοί παράγοντες δεν είναι πλέον το επίκεντρο της ανάλυσης σύμφωνα με την οποία δηλώνονται τα τελικά συμπεράσματα.

Από προγνωστική έρευνα συνήθως εστιάζεται στον εντοπισμό των παραγόντων που παρέχουν στατιστικά ανεξάρτητες επιπτώσεις με σημαντική αξία P, έστω και εναλλακτικές διαδικασίες ανάλυσης μπορεί να βελτιώσει την προγνωστική αποτελεσματικότητα στο επίπεδο των μεμονωμένων αποτελεσμάτων ασθενούς είναι σπάνια συζητείται και σπάνια αποδεικνύεται. Εδώ έχουμε καταδείξει τη βελτίωση της AUC επιτευχθεί με την προγνωστική προσέγγιση με επίκεντρο τον ασθενή μας, σε σύγκριση με τη χρήση του σταδίου AJCC σε δύο διαφορετικές κακοήθειες.

Ανάπτυξη προσαρμοσμένη προγνωστικά μοντέλα είναι ένας σημαντικός στόχος που έχει εξετασθεί από άλλες ομάδες . Cochran et al. [19] εντοπίστηκαν παράγοντες που προέκυψαν από τη λογιστική παλινδρόμηση σε ένα σύνολο δεδομένων των 1.042 ασθενείς με μελάνωμα, και να αναπτυχθούν εξατομικευμένες εκτιμήσεις πιθανολογική κίνδυνο. Πρόσφατα, το μελάνωμα Task Force AJCC ανέπτυξε ένα ηλεκτρονικό εργαλείο για την πρόβλεψη της επιβίωσης των εντοπισμένων μελανώματος χρησιμοποιώντας πολυμεταβλητή παλινδρόμηση Cox αναλύσεις των πέντε συνήθως διαθέσιμη προγνωστικούς παράγοντες [20]. Οι εκτιμήσεις επιβίωσης που αναπτύχθηκε σε ένα σύνολο δεδομένων από 14.760 ασθενείς επικυρώθηκαν σε μια ανεξάρτητη ομάδα από 10.974 ασθενείς. Σημαντικές διαδικαστικές διαφορές αποκλείει συγκρίσεις με τη μεθοδολογία με επίκεντρο τον ασθενή που περιγράφονται εδώ. Είναι σημαντικό, δεν παρασχέθηκαν οι λεπτομέρειες σχετικά με την προγνωστική αποτελεσματικότητα της προσέγγισής τους. Ωστόσο, στην ομάδα μας, η προσέγγιση με επίκεντρο τον ασθενή ήταν ανώτερη σε προγνωστική ακρίβεια σε σύγκριση με τη χρήση των συνήθως διαθέσιμων προγνωστικών παραγόντων, μόνος.

Με βάση τα αποτελέσματα που παρουσιάζονται εδώ, η μεθοδολογία με επίκεντρο τον ασθενή μας μπορεί να είναι του ευρεία χρησιμότητα στην κατασκευή εξατομικευμένων προγνώσεις για άλλους καρκίνους, καθώς και για άλλες χρόνιες ασθένειες με σημαντική νοσηρότητα. Χρησιμοποιήσαμε αυτή τη μεθοδολογία για τη βελτίωση της προγνωστικής ακρίβειας και την αξιολόγηση κινδύνου για επικουρική θεραπεία, αλλά η ίδια προσέγγιση θα μπορούσε επίσης να χρησιμοποιηθεί για τον εντοπισμό ασθενών με διαφορική απόκριση στη θεραπεία. Αυτό μπορεί να είναι ιδιαίτερα σημαντικό στην τρέχουσα συζήτηση για τον περιορισμό των οικονομικών πόρων για τη φροντίδα της υγείας. Μεθοδολογίες που βελτιώνουν προγνωστική ακρίβεια θα μπορούσε επίσης να είναι χρήσιμη στον προσδιορισμό των ασθενών που θα ωφεληθούν από τη λήψη ακριβά και /ή τοξικών θεραπειών για την αντιμετώπιση χρόνιων παθήσεων.

προγνωστική προσέγγιση μας επιτρέπει τον προσδιορισμό της εξατομικευμένης προγνώσεις, ακόμη και όταν οι τιμές για πολλούς παράγοντες αγνοούνται. Αν και είναι χρήσιμο να έχουμε πληροφορίες για όλους τους προγνωστικούς παράγοντες, αυτό δεν είναι πρακτικό για κάθε ασθενή ξεχωριστά. Η προσέγγιση με επίκεντρο τον ασθενή επιτρέπει τον καθορισμό της πρόγνωσης ενός ατόμου, με βάση ό, τι υπάρχουν διαθέσιμα στοιχεία. Αυτό είναι σε αντίθεση με ένα τυπικό πολυπαραγοντική λογιστική παλινδρόμηση ή Cox, στην οποία απαιτείται τυπικά πλήρεις πληροφορίες σχετικά με όλες τις προγνωστικούς παράγοντες για ένα δεδομένο ασθενή που πρόκειται να συμπεριληφθούν στην ανάλυση. Επιπλέον, η μεθοδολογία μας εντοπίζει τους παράγοντες από τους μεγαλύτερους προγνωστική σημασία σε διαφορετικές υποομάδες κινδύνου των ασθενών και δείχνει ποιοι παράγοντες (που μπορεί να λείπει) θα ήταν πιο χρήσιμο να συμπεριλάβει στην έκθεσή της παθολογίας του ασθενούς (και προγνωστική εκτίμηση).

σύνολα δεδομένων για τα δύο κακοήθειες επιλέγονται για να επεξηγήσουν τη μεθοδολογία επίκεντρο τον ασθενή μας δεν ήταν με βάση τον πληθυσμό. Ενώ σύνολα δεδομένων με βάση τον πληθυσμό είναι προτιμότερο σε αναλύσεις παράγοντα επίκεντρο, είναι πιο σημαντικό στην προσέγγιση με επίκεντρο τον ασθενή για τον εντοπισμό των ασθενών που είναι προγνωστικά «παρόμοιο» με ένα συγκεκριμένο ασθενή του οποίου η πρόγνωση είναι να καθοριστεί. Αυτή η διάκριση είναι άλλο ένα από τα σημαντικότερα συνέπειες της μετάβασης από ένα αυστηρά παράγοντα επικεντρωμένη σε μια προσέγγιση με επίκεντρο τον ασθενή. Ωστόσο, προκειμένου να καταρτίσει ένα ολοκληρωμένο σύνολο των στρωμάτων αναφοράς που περιέχει «παρόμοια» ασθενείς, θα είναι απαραίτητο να αναπαράγουν τη μεθοδολογία αυτή σε μεγαλύτερα σύνολα δεδομένων ότι το δείγμα πολλαπλά στρώματα του πληθυσμού, με δεδομένη την κακοήθεια.

Ένα σημαντικό περιορισμός της μεθοδολογίας με επίκεντρο τον ασθενή μας, είναι η δυνατότητα των στατιστικών πάνω-τοποθέτηση. Οι ίδιες διατάξεις που ενσωματώνονται στη μεθοδολογία που συμβάλλουν στη βελτίωση προγνωστική ακρίβεια της κινδυνεύουν επίσης πάνω-τοποθέτηση της προγνωστικής αλγόριθμο για οποιοδήποτε εμπειρικές παρατηρήσεις χρησιμοποιούνται ως δεδομένα εκπαίδευσης. Για να αντισταθμιστεί αυτό, ενσωματωμένη προστασία κατά της υπερβολικής τοποθέτηση περιλαμβάνουν τα κριτήρια επιλεξιμότητας που εφαρμόζονται πριν από την εισαγωγή ενός υποψηφίου προγνωστικό παράγοντα στην ανάλυση και τα ελάχιστα μεγέθη διαμέρισμα καθοριστούν με τη διαδικασία αλγόριθμο δημιουργίας.

Είναι σημαντικό να σημειώστε ότι ένα μεγάλο μέρος της βελτίωσης στην προγνωστική ακρίβεια επιτυγχάνεται με τη μεθοδολογία μας δεν μπορεί ευλόγως να αποδοθεί στην υπερβολική τοποθέτηση. Ένα σημαντικό μέρος πραγματοποιήθηκε απλώς με την ανάλυση Ο περιορισμένος αριθμός διαθέσιμων ρουτίνας προγνωστικών και σταδιοποίηση παραμέτρους σε ένα διαφορετικό τρόπο, πριν από την ενσωμάτωση επιπλέον παράγοντες εντός των αναλύσεων (σειρές 1 και 2 έναντι σειρά 3 στους Πίνακες 1 και 2, αντίστοιχα).

Έχουμε αναχώρησε από την παραδοσιακή προσέγγιση για την επικύρωση των ατομικών προγνωστικοί δείκτες στις οποίες χρησιμοποιούνται ξεχωριστές ομάδες κατάρτισης και επικύρωσης. Αντίθετα, έχουμε αναπτύξει μια νέα μεθοδολογία, που έχουν σχεδιαστεί ειδικά για να κάνει προγνωστικά προβλέψεις σε ατομικό επίπεδο ασθενούς. Αυτή η μεθοδολογία στη συνέχεια αποδειχθεί ότι βελτιώνει την προγνωστική ακρίβεια (σε σύγκριση με το αρχικό στάδιο) σε δύο σύνολα δεδομένων που προέρχονται από ξεχωριστούς πληθυσμούς και τη συμμετοχή διαφόρων μορφών καρκίνου. Επιπλέον, η ανάλυση αξιοπιστίας διάσπαση-δείγμα της κλάσης του μελανώματος αποκάλυψε ότι ένα σημαντικό ποσοστό (άνω του 90%) της προγνωστικής ακρίβειας επιτυγχάνεται διατηρήθηκε στο επιμέρους δείγμα επικύρωσης. Τελικά, όμως, η μεθοδολογία μας θα πρέπει να εφαρμοστούν σε ακόμα μεγαλύτερα σύνολα δεδομένων (αρκετές χιλιάδες ασθενείς), τόσο για το μετριασμό υπερβολική υπερ-τοποθέτηση και να παράγει ένα πρακτικώς χρήσιμο σύνθετο προγνωστικό αλγόριθμος που θα μπορούσε να χρησιμοποιηθεί για να κάνει μεμονωμένες προβλέψεις ασθενή.

Η μελέτη μας διαφέρει στο επίκεντρο της από σημαντικές πρόσφατες μελέτες που αποσκοπούν στην μέτρηση των βελτιώσεων στην προγνωστική ρευστοποιήσιμη την αποτελεσματικότητα από την προσθήκη νέων βιοδεικτών, ειδικά όταν AUC είναι ανεπαρκείς στην ικανότητά της να ανιχνεύει αλλαγές στο απόλυτο κίνδυνο [21] – [24]. Στον τομέα του καρκίνου, αυτές οι τεχνικές έχουν χρησιμοποιηθεί για την αξιολόγηση του κινδύνου του καρκίνου του μαστού [25]. Στην ανάλυσή μας, τόσο η χρήση των οικοπέδων ROC και πιθανοτικών μεθόδων πρόβλεψης αποδείχθηκε επαρκής για να αποδειχθεί η βελτιωμένη αποτελεσματικότητα των προσαρμοσμένων προγνωστικής μεθοδολογίας μας. Το πιο σημαντικό, η μεθοδολογία μας πηγαίνει πέρα ​​από τη μέτρηση της πρόβλεψης βελτιώσεις. Προσφέρει τις διαδικασίες και τις συσκευές με τις οποίες μπορούν να υλοποιηθούν οι εν λόγω βελτιώσεις.

Εν κατακλείδι, έχουμε αναπτύξει μια μεθοδολογία για να εκχωρήσετε εξατομικευμένη πιθανότητες σε ένα συγκεκριμένο εστιακό εκδήλωση (π.χ. πέντε ετών για συγκεκριμένες ασθένειες θάνατο). Αυτή η προσέγγιση οδήγησε σε σημαντικές βελτιώσεις στην προγνωστική ακρίβεια σε δύο διαφορετικές κακοήθειες σε σύγκριση με τη χρήση της ρουτίνας προγνωστικές μεθόδους, και μπορεί να χρησιμοποιηθεί για συζητήσεις σχετικά με εξατομικευμένες πρόγνωση και θεραπεία για κάθε ασθενή.

Υποστήριξη Πληροφορίες

μέθοδοι S1.

Πρόσθετες μέθοδοι που δεν περιλαμβάνονται στο κυρίως κείμενο.

doi: 10.1371 /journal.pone.0056435.s001

(DOC)

Πίνακα S1.

Κλινικές και ιστολογικές χαρακτηριστικά του δείγματος μελανώματος (Ν = 1.222).

doi: 10.1371 /journal.pone.0056435.s002

(DOCX)

Πίνακας S2.

Κλινικές και ιστολογικές χαρακτηριστικά του δείγματος καρκίνου του μαστού (Ν = 1.225).