Krooninen sairaus

tiivistelmä

Individualized lähestymistavat ennustetta ovat ratkaisevan tehokasta hallintaa syöpäpotilailla. Olemme kehittäneet menetelmän määrittää yksilöllisiä 5 vuoden tautikohtaisia ​​kuoleman todennäköisyydet 1222 Melanoomapotilaiden ja 1225 rintasyöpäpotilailla. Kullekin syöpä, kolme riski alaryhmää tunnistettiin kerrostamiselintä potilaat mukaan alkuvaiheessa, ja ennustaminen todennäköisyydet luotiin perustuu tekijöihin läheisintä sukua 5-vuoden tautikohtaisia ​​kuolema. Erillinen alaryhmä todennäköisyydet yhdistettiin yhdeksi komposiitti-indeksi, ja sen ennustavan tehokkuutta arvioitiin useita toimenpiteitä, mukaan lukien alue (AUC) alle sen vastaanotin toimii (ROC) käyrä. Potilas keskipisteenä metodologia saavuttanut AUC 0,867 ennustamisessa 5 vuotta taudin aiheuttamaa kuolemaa, verrattuna 0,787 käyttäen AJCC lavastus luokitus yksin. Sovellettuna rintasyöpäpotilaiden, se saavutti AUC 0,907, verrattuna 0,802 käyttäen AJCC lavastus luokitus yksin. Ennustetyövälineenä algoritmi valmistettu satunnaisesti valittu koulutus aliotoksessa 800 melanoomapotilaita säilynyt 92,5% sen prognoosi- tehon (mitattuna AUC), kun samaa algoritmia sovellettiin validointi alinäyte sisältävän muut potilaat. Lopuksi räätälöity ennustetekijöitä lähestymistapa parantaa tunnistamisen korkean riskin ehdokkaita adjuvanttihoito melanooma. Nämä tulokset kuvaavat uutta potilaskeskeisen ennustetekijöiden menetelmää on parannettu ennakoivaa teho verrattuna AJCC vaihe yksin kahdessa eri syöpäsairauksia peräisin kahdesta erillisestä populaatiot.

Citation: Kashani-Sabet M, Sagebiel RW, Joensuu H, Miller JR III (2013) potilaskeskeisen metodologia, joka parantaa tarkkuus Prognostiset Ennusteet Ravussa. PLoS ONE 8 (2): e56435. doi: 10,1371 /journal.pone.0056435

Toimittaja: Soheil S. Dadras, University of Connecticut Health Center, Yhdysvallat

vastaanotettu: 16 elokuu 2012; Hyväksytty: 10 tammikuu 2013; Julkaistu: 27 helmikuu 2013

Copyright: © 2013 Kashani-Sabet et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Tämä työ tukivat Yhdysvaltain Public Health Service avustukset CA114337 ja CA122947 (jotta MKS). Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Mohammed Kashani-Sabet omistaa varastossa Melanooma Diagnostics, Inc., ja James R. Miller III on omistusosuuden MDMS, LLC. On muitakin ole patentteja, tuotteiden kehittämiseen tai kaupan tuotteiden julistaa. Tämä ei muuta tekijöiden noudattaminen kaikkien PLoS ONE politiikan tietojen jakamiseen ja materiaaleja, yksityiskohtaisena online-oppaassa tekijöille.

Johdanto

Taidetta ennusteen on pitkä historia, kuten lääkärit ovat yrittäneet ymmärtää kliininen käyttäytyminen tauti. Muinaiset egyptiläiset arvioitu elossaololuku jotta päästään aluksi päätteeksi joko ”potilas aion hoitaa” tai ”potilas ei hoidettavan” (entinen kanssa mahdollisuuden parantaa ja jälkimmäinen ajatus on parantumaton). Viime aikoina ennustemalleja on kehitetty käyttäen atk analyysejä suurten tietokantojen potilaita, joilla on yleisesti tallennettu tekijöitä, jotta ennustaa lopputulosta. Tällaisessa tekijä keskipisteenä analyysejä, tulokset ilmoitetaan yleensä suhteellisten riskien kertoimet suhdeluvut ja P-arvot, jotka liittyvät kunkin tekijän. Valtakunnassa syöpä, lavastus luokituksia kehitetään näistä prognoosi- analyysit ja muodostavat ensisijainen keino ennustaa hoitotuloksia ja tehdä hoitopäätökset. Ne eivät kuitenkaan ole rutiininomaisesti tuotteita potilaslähtöinen analyysit. Määrittäminen 5 vuoden eloonjäämistä ryhmälle potilaita tietyssä vaiheessa tietyn maligniteetti ei ole sama kuin tarjota erikseen räätälöity ennustetekijöitä todennäköisyys kullekin yksittäiselle potilaalle.

potilaslähtöinen analyysejä ottaa erilainen lähestymistapa . Prognostiset päätelmät on ilmaistu yksittäisen potilaan todennäköisyys kokea ja /tai tarvittava aika kokea joitakin keskeisiä tapahtuma, kuten uusiutumisen tai kuoleman. Ennustetekijöiden do auttaa määrittämään nämä todennäköisyydet ja kuluneen kertaa, mutta tekijät, itse eivät ole ensisijainen painopiste analyysejä. Potilaslähtöinen menestys toimenpiteiden tulee heijastaa tarkkuutta yksittäisten todennäköisyyksiin ennusteita sijaan suhteellinen voimakkuus ennustavat tekijät. Lisäksi potilaslähtöinen ennusteet on tunnistettava ja hyödynnettävä tärkeimmät tekijät, jotka voivat ajaa kliinisiä päätöksiä yksittäisen potilaan. Riski taudin etenemiseen tai kuolemaan voidaan parhaiten ennustaa tekijöihin puuttumista pidemmälle kuin osaksi lavastus luokittelua ja analysoimalla saatavana ennustettaessa nimenomaan uusilla tavoilla. Tässä käsikirjoitus, kehitimme potilaskeskeisen ennustetekijöiden menetelmiä ja soveltanut sitä vahvistetaan tietokantoihin melanoomaa ja rintasyöpäpotilaiden määrittää sen ennustavan tarkkuus, verrattuna ennustettaessa tiukasti perusteella alkuvaiheessa.

Materiaalit ja menetelmät

Ethics lausunto

Tämä ennustetekijöiden analyysi hyväksyi institutionaalisten tarkastuslautakunta yliopistossa Kaliforniassa, San Francisco, ja Kalifornian Pacific Medical Center. Analyysi perustui kaavio tarkastelun suurin osa potilaista syötetty aineistot. Näin ollen katsottiin vähäinen riski näiden tarkistamiskomitea, ja tietoisen suostumuksen ei tarvittu. Kirjallinen tietoinen suostumus saatiin potilailta, joiden kudokset testattiin osana analyysiä. Hyväksynyt nämä menettelyt edellä mainittujen institutionaalisten tarkastuslautakunta.

Tutkimus populaatiot

kertynyt kohortin 1222 Yhdysvallat potilaita, joilla on diagnosoitu primaarinen ihomelanooma vuosien 1971 ja 2006, joiden demografiset koostumus näkyy Taulukko S1. Keskiarvo ja mediaani seuranta-ajat olivat 7,93 vuotta ja 7,44 vuotta, vastaavasti.

Lisäksi meillä oli pääsy aiemmin kuvattu [1] aineisto on 1225 syöpäpotilaista Suomen Turusta, joiden keskimääräinen ja seuranta-ajan mediaani 9,97 ja 8,5 vuotta, vastaavasti. Väestörakenteen koostumus rintasyövän kohortti näkyy taulukossa S2.

Analyysi ennustetekijöiden

melanoomaan.

Viisitoista ennustetekijöiden kirjataan ajankohtana diagnoosi ensisijainen ihon melanooman ja jaetaan kahteen ennustetekijä ryhmää. Ensimmäinen tekijä ryhmään kuului kuusi tekijää, joista kolme histologiset tekijät sisällyttää nykyiseen AJCC lavastus luokittelu (eli kasvain paksuus, haavaumat, ja mitoosinopeudella) [2], ja kolme kliiniset tekijät sisältyvät analyysit AJCC melanooman lavastus komitea (ts , ikä, sukupuoli, ja kasvaimen sivusto) [3], [4]. Seuraavat yhdeksän histologiset tekijät sisällytettiin toinen tekijä ryhmä: histologinen alatyyppi, Clark taso, läsnäolo tai puuttuminen mikrosatelliittia, verisuonimuutoksia, regressio, aste kasvaimen verisuonitus, taso kasvaimen tunkeutuvia lymfosyyttejä, useita positiivisia imusolmukkeiden, ja sisällä -subgroup alkuperäisen AJCC vaiheessa. Mahdollinen prognostisia merkitys näistä tekijöistä on aiemmin arvioitu [5]. Tapa, jolla nämä ylimääräiset ennustetekijät määriteltiin, mitattiin, ja koodattu oli kuvattu aiemmin [6], [7].

ennustetekijöiden vaikutus yhdeksän molekyylitason tekijöitä (NCOA3, SPP1, RGS1, WNT2, FN1, ARPC2, PHIP, POU5, ja p65-alayksikkö NF-KB), joka muodostaa kolmas tekijä ryhmä, tutkittiin kudokset 375 1222 melanoomapotilaalta käyttäen immunohistokemiallista analyysiä. Yksittäisten rooli useiden näiden merkkiaineiden melanooman etenemisen, mukaan lukien menetelmät, joita käytetään immunohistokemiallisella värjäyksellä ja pisteytys, on aiemmin kuvattu [8] – [11]. Prognostisia merkitys useiden näiden molekyylien tekijöiden on validoitu muuhun kudokseen sarjaa tai muulla tutkijat [10], [12] – [14].

Breast Cancer.

Teimme samanlainen analyysi meidän kohortissa 1225 rintasyöpäpotilaiden. Käytettävissä olevat ennustetekijöiden jaettu seuraaviin kolmeen ryhmään: ensimmäinen tekijä ryhmässä potilaan ikä, anatominen sijainti primaarikasvaimen sisällä rintojen, koko primaarikasvaimen pitkin pisin mitta (millimetreinä), mitoosi count, ja haavaumia primaarikasvaimen. Toinen tekijä ryhmä koostui seuraavista kahdestatoista tekijät: primaarikasvaimen tyyppi (ductal tai lobulaarinen), kasvaimen, kuolion, tubulussolujen muodostumista, ydin- pleomorfisimia, tulehdus, estrogeenireseptorin tasolla (fmol./mg.), Progesteroni reseptorin tasolla (fmol. /mg.), bilaterality, T asteikon arvo, N-mittakaavan arvo, ja M asteikon arvo. Kolmas tekijä ryhmä koostui seuraavista kahdesta tekijästä: sädehoitoa (kyllä ​​tai ei), ja tyyppi adjuvanttihoito mahdolliset.

Tilastollinen analyysi

Kehitetään potilaskeskeisen ennustetekijöiden algoritmi tautispesifisten kuolema 5 vuoden kuluessa diagnoosin, sekä 1222 melanoomaa ja 1225 rintasyöpäpotilaiden ensin ositettu kolmeen riski määriteltyihin alaryhmiin, joka perustuu AJCC vaiheessa diagnoosin, jos saatavissa, tai T, N ja /tai M vaihe . Vuonna melanooma kohortin tämä johti matalan riskin alaryhmässä sisältävän 503 potilasta, väli- riskin alaryhmässä sisältävän 423 potilasta, ja korkean riskin alaryhmässä sisältävän 296 potilasta. Vuonna rintasyöpä kohortin matalan riskin alaryhmässä käsitti 552 potilasta, väli- alaryhmä koostui 387 potilasta, ja suuren riskin alaryhmässä mukana 286 potilasta. Ositella molemmat näytteet näihin kolmeen alaryhmään tarjoillaan ylläpitämään riittävää alaryhmään koot tukemaan vakaata tilastoarvioiden, säilyttäen arvojärjestyksen 5-vuoden eloonjäämisluvut vaiheelta että kussakin kohortissa.

Sitten kukin ennustetekijä muutettiin , erikseen kunkin riskin alaryhmässä kautta Scale osiointi ja välit Algorithm (SPSA) vastaavaksi Univariate Impact Reflecting Index (UIRI), kuten on kuvattu teoksessa Methods S1.

kunkin yhdeksän ennustetekijä ryhmä ja potilas riski alaryhmä yhdistelmät, yksilöllinen ennustetekijöitä algoritmi kehitettiin (kuvattu Methods S1). Algoritmi perustui regressioanalyysimme jonka riippuva muuttuja oli kokemusta tai ei-kokemusta tautikohtaisia ​​kuoleman viiden vuoden kuluessa diagnoosin ja jonka riippumattomat muuttujat olivat UIRI lasketuista arvoista riskitekijöistä ja potilaan alaryhmä muodostaa yhdistelmää. Yhdistetty ennustetekijöiden algoritmia Sitten rakennettiin yhdistämällä logistinen regressio lähdöt kolmen potilaan riski alaryhmään, kun kaikki riskitekijät (eli niiden UIRI arvot) käytettiin riippumatonta muuttujaa regressiolinjan.

prognostisia tehoa komposiitti algoritmia arvioitiin käyttämällä kolmea toimenpidettä: AUC tuottamat toimivan vastaanottimen (ROC) analyysi; sen keskimääräinen yksittäinen todennäköisyyksiin ennustevirhe; ja sen minimaalisesti saavutettavissa Luokitteluvirheillä korko (kaksi viimeksi mainittua on määritelty Methods S1). Kaikki raportoidut P-arvot ovat kaksipuolisia.

Tulokset

Kehitetään potilaskeskeisen toimintatavan, analysoimme kohortin 1222 primaarisessa ihomelanooma (taulukko S1) ja erillinen kohortin 1225 potilasta, joilla on rintasyöpä (taulukko S2).

räätälöidyn Prognostiset malli melanooma

aluksi me ositettu meidän melanooma kohortin perustuu ensisijaisesti alkuvaiheessa kolmeen potilasalaryhmissä. Alhaisen riskin alaryhmässä oli 94,6% 5 vuoden tautikohtaisia ​​eloonjäämisen (DSS), väli-riski alaryhmä oli 75,4% 5 vuoden DSS, ja suuren riskin alaryhmässä oli 49,3% 5 vuoden DSS. Kolme alaryhmää oli merkittävästi erilainen eloonjäämisen ominaisuuksia, kun arvioidaan 5-v DSS (Kruskal-Wallisin testi korjattuna sidottu havaintoja, P 0,001) ja Kaplan-Meier-analyysi (Log-rank-testi, P 0,001, Fig. 1A) .

paneeli B. Kaplan-Meier analyysi DSS mukaan prognostisten alaryhmä on rintasyöpä kohortti.

kunkin ennustetekijä ryhmän ja potilaan alaryhmä kehitimme erillisen ennustetekijöiden algoritmi, joka parhaiten ennusti 5 vuoden tautikohtaisia ​​kuolema. Erillinen algoritmit yhdistettiin yhdeksi, komposiitti algoritmi kunkin riskin alaryhmä. Jokainen komposiitti algoritmi tuotti vastaavaa komposiitti ennustetekijöiden indeksiä. Arvot indeksi oli yksittäisiä todennäköisyyksiä 5 vuoden tautikohtaisia ​​kuolema määrittämä komposiitti ennustetekijöiden algoritmi kullekin potilaalle. Alle ROC analyysi, komposiitti-indeksi tuotti AUC 0,867 (Fig. 2A). Se pystyi oikein ennustaa 84,0%: a 5-vuoden tautikohtaisia ​​tapahtumia, tuloksena on Luokitteluvirheillä osuus 16,0%.

Paneeli B. ROC tontit 5 vuoden rintasyöpä erityisiä kuoleman todennäköisyydet arvioima eri logistinen regressio analyysejä. Kussakin paneelissa käyrä 1 edustaa ROC-käyrä käyttäen alkuperäistä AJCC vaihe (stratifioitu), käyrä 2 ROC-käyrä ositettu AJCC vaiheessa ja käyrä 3 ROC-käyrä määräytyy komposiitti painotettua indeksiä.

Vertasimme ennustetekijöiden tehoa komposiitti indeksi useiden muiden ennustetekijöiden menetelmiä. Aluksi arvioimme kuusi rutiininomaisesti saatavilla ennustetekijöiden arvioimalla yksittäisiä todennäköisyyksiä 5 vuoden tautikohtaisia ​​kuolemaa useita logistinen regressio näistä tekijöistä. Tämä tuotti AUC 0,762 ja Luokitteluvirheillä osuus 21,2% (taulukko 1).

Seuraavaksi teimme dummy-muuttujan logistista regressiota käyttäen AJCC vaiheessa yksin, määrittää 5 vuoden tauti erityinen kuoleman todennäköisyydet meidän melanooman näytteessä ja määritetään sen ennustetekijöiden tehoa. Tämä analyysi tuotti AUC 0,787 (Fig. 2A ja taulukko 1) ja vähensi keskimääräinen absoluuttinen probabilistic ennustevirhe (parittaista T-testiä, P 0,001, taulukko 1).

Sitten lisäsimme kuusi ennustetekijöiden ja käytetään aluksi AJCC vaiheessa osittaa 1222 potilasta kolmeen riskin alaryhmien. Yksittäiset todennäköisyys antamien arvioiden useita logistinen regressioanalyyseissä kunkin alaryhmän yhdistettiin, mikä johtaa AUC 0,823, ja edelleen vähentää keskimääräinen absoluuttinen probabilistic error (parittaista T-testi, P 0,001, taulukko 1).

sitten sisällytetty kahdeksantoista ylimääräistä ennustetekijöitä ja muodostivat yhdistetyn algoritmin edellä kuvatun luo lopullinen ennustetekijöiden indeksin. Parantaminen malli näillä tavoilla AUC on 0,867 ja edelleen vähentää keskimääräisen absoluuttisen probabilistic error (parittaista T-testi, P 0,001, Fig. 2A ja taulukko 1).

sitten rakennettu erillinen painotettu indeksi suunniteltu heijastamaan suhteellista ennakoivaa teho kunkin ennustetekijä kunkin riskin alaryhmässä (taulukko S3). Täten kasvaimen paksuus, mitoosinopeudella, kasvaimen verisuonten, RGS1 ekspressiotaso, ja FN1 ekspressiotaso olivat kauttaaltaan voimakkaita ennustajia, jossa positiivinen painot kaikissa kolmeen alaryhmään.

räätälöidyn Prognostiset Model for Breast Cancer

Käytimme identtisiä menettely kehitetään räätälöityjä ennusteita 5 vuoden DSS rintasyöpäpotilaiden, tietojen avulla meidän kohortin 1225 potilasta. Me kerrostunut yleinen kohortti kolmeen riski alaryhmään, joka perustuu AJCC lavastus kriteerit rintasyöpä. Alhaisen riskin alaryhmässä oli 88,6% 5 vuoden DSS, väli-riski alaryhmä oli 60,2% 5 vuoden DSS, ja suuren riskin alaryhmässä oli 19,9% 5 vuoden DSS. Kolme ennustetekijöiden alaryhmään oli merkittävästi erilainen eloonjäämisen ominaisuuksia, kun arvioidaan 5-v DSS (Kruskal-Wallisin testi korjattuna sidottu havaintoja, P 0,001) ja Kaplan-Meier-analyysi (Log-rank-testi, P 0,001, Fig. 1B ).

soveltaminen potilaskeskeistä lähestymistapa rintasyöpäpotilaiden tuotti AUC 0,907 (Fig. 2B). Lopullinen komposiitti ennustetekijöitä indeksin kehitetty rintasyövän pystyi oikein ennustaa 84,1%: a 5-vuoden tautikohtaisia ​​kuolemia, tuloksena on Luokitteluvirheillä osuus 15,9%.

Ensimmäinen tekijä keskittyvää analyysi koostui viidestä ennustetekijöiden jotka olivat mahdollisimman vertailukelpoinen tekijöihin käytetyn melanooman analyysi (lukuun ottamatta sukupuoleen, koska kaikki potilaat olivat naisia). Yhdistämällä nämä tekijät kautta logistinen regressio ja kehittää yksilöllisesti räätälöityjä todennäköisyys 5 vuoden tautikohtaista kuolemaan johtanut AUC 0,743 (taulukko 2).

Seuraavaksi teimme dummy-muuttuja logistinen regressio käyttäen AJCC vaiheessa yksin, määrittää 5 vuoden tautikohtaisia ​​kuoleman todennäköisyydet vuoksi rintasyöpä ja määräytyy sen ennustetekijöiden tehoa. Tämä analyysi tuotti AUC 0,802 (Fig. 2B) ja vähensi keskimääräinen absoluuttinen probabilistic ennustevirhe (parittaista T-testi, P 0,001, taulukko 2).

sitten kerrostunut kohortin käyttämällä kolmea ennustetekijöiden osaryhmään erilliset DSS. Yksittäisten estimaatit muodostetaan useita logistinen regressio analysoidaan kunkin alaryhmän yhdistettiin, jolloin AUC 0,880 ja edelleen vähentää keskimääräinen absoluuttinen probabilistic error (parittaista T-testiä, P 0,001, taulukko 2).

Lopuksi sisällytetty neljätoista ylimääräisiä ennustetekijöitä ja muodostivat yhdistetyn algoritmin aiemmin kuvattu luo lopullinen ennustetekijöiden indeksin. Tämä menettely AUC on 0,907 ja edelleen vähentää keskimääräisen absoluuttisen probabilistic error (parittaista T-testi, P 0,001, Fig. 2B ja taulukko 2).

Erillinen painotettu indeksi samalla tunnistetaan ennustavat tekijät, jotka olivat suhteellisen voimakas ennustajia 5 vuoden tautikohtaista kuolema kunkin riskin alaryhmässä (taulukko S4). Siten mitoosinopeudella ja kasvaimen olivat kauttaaltaan voimakkaita ennustajia, jossa positiivinen painot kaikissa kolmeen alaryhmään.

split-näyte validointi Räätälöity Prognostiset menetelmää Melanooma

Jotta voidaan varmistua luotettavuutta menettelyn käytetään rakentamaan meidän komposiitti ennustetekijöiden algoritmi, me satunnaisesti jakaa meidän näyte melanoomapotilaita osaksi koulutusta osanäytteen 800 ja validointi aliotoksessa muut potilaat. Potilaat kahdessa osanäytteet jaettiin kolmeen erilliseen riski alaryhmiä käyttäen täsmälleen samoja kriteerejä käytetään ositusta potilaiden kokonäytteestä.

Seuraavaksi rakensimme komposiitti algoritmi koulutuksesta alinäyte käyttäen samaa menettelyä sovelletaan koko kohortissa. Tämä algoritmi oli melko samanlainen algoritmi tuotettu koko otoksesta. Komposiitti-indeksi tuottama komposiitti ennustetekijöiden algoritmi rakennettu koulutus osanäytteen todettiin olevan parempi kuin vastaava todennäköisyyspohjaisia ​​indeksejä peräisin kuudesta rutiininomaisesti saatavilla ennustetekijöiden ja alkuperäisestä AJCC vaiheessa sekä koulutus ja validointi osanäytteisiin ROC-analyysi (tietoja ei esitetty).

Lopuksi vertasimme ennustetekijöiden tehokkuusvertai- saavutetaan komposiitti algoritmia, sovellettuna koulutukseen ja validointi osanäytteitä. Kun sovelletaan 800 potilasta koulutukseen aliotoksen, se saavutti AUC 0,853. Kun levitetään muut potilaat validoinnissa alinäyte, samalla komposiitti algoritmia saavuttanut AUC 0,789. Siten algoritmi kehitetty koulutus aliotoksen säilynyt 92,5% sen prognoosi- tehoa mitattuna AUC, kun sitä sovelletaan validointi osanäytteen.

Utility Räätälöidyt Prognostiset miten tunnistetaan Potilaat osajoukot varten adjuvanttihoito

sitten pyrittiin arvioimaan, onko räätälöidyn menetelmää voidaan käyttää tunnistamaan erityiset ennustetekijöitä potilaiden alaryhmissä systeemistä adjuvanttihoito. Korkea-annos interferoni alfa (IFN) on ollut standardin adjuvanttihoitona melanooman yli vuosikymmenen ajan. Perinteinen kelpoisuusvaatimuksia IFN [15] – [17] kuuluvat potilaat, joilla paksu primäärisen melanooman (yli 4,0 mm) tai paikallisiin imusolmukkeisiin tauti. Käyttämällä näitä kriteerejä, tunnistimme 492 potilasta meidän melanooman kohortissa oikeutettuja IFN hoitoon. Sitten tunnistettiin sama määrä potilaita käyttämällä menetelmiä korkeimman yksilöllisen todennäköisyydet 5-vuoden tautikohtaisia ​​kuolema (pois lukien vaihe IV potilasta). Nämä kaksi osanäytteitä yhdistettiin, ja erotetaan kolmeen toisiaan poissulkevia osajoukot: 129 potilasta tunnistaa vain standardi IFN kelpoisuusvaatimukset (ryhmä 1); 363 potilasta tunnistaa molemmat kriteerit (ryhmä 2); ja 129 potilasta tunnistaa vain menetelmämme (ryhmä 3). Niiden selviytymistä analysoitiin Kaplan-Meier-analyysi. Kun taas DSS ryhmien 2 ja 3 ei ollut merkitsevästi erilainen, DSS ryhmän 1 oli merkitsevästi pidempi verrattuna joko ryhmään 2 tai 3 (Fig. 3, log-rank testi, P 0,001).

keskustelu

tässä käsikirjoitus, kuvaamme potilaskeskeisen menetelmistä, joilla määritetään ennusteen liittyy kaksi yhteistä ja mahdollisesti hengenvaarallisia syöpiä. Osoitamme, että käyttämällä tätä lähestymistapaa aiheuttaa huomattavia parannuksia käyttöön standardin prognoosi- menetelmiä, kun ennustava tehoa mitataan AUC, todennäköisyyspohjaista ennustevirheet, ja Luokitteluvirheillä hinnat ennustaminen 5 vuoden kuoleman vuoksi melanooma tai rintasyöpä.

Käytä meidän räätälöity ennustetekijöiden lähestymistapa tuottaisi AUC lisääntyy ennustamisessa sekä 5-vuoden syöpäspesifisessä kuolemia. Osoitamme myös, että käyttämällä tätä menetelmää johtaa parantunut tunnistamista riskialttiita ehdokkaita adjuvanttihoito melanooma.

saavutettu näitä parannuksia: (i) ensin kerrostamiselintä potilaat erillisiin riskiryhmiin mukaan alkuvaiheessa ja sitten suorittamalla analyysejä, erikseen kullekin ryhmälle; (Ii) ennalta muuntaa kaikki ennustavat tekijät otetaan vertailukelpoisella kalibroitu indeksit (UIRIs); (Iii) käsittelemällä puuttuviin tietoihin tavalla, joka ei vaadi poistamaan potilaalla on harvaa tietojen analysointi; ja (iv) sisällyttämällä ylimääräistä ennustetekijöiden ei rutiininomaisesti jää lavastus järjestelmiä, käyttäen näitä samoja kolmea menetelmiin laitteita.

Lisäksi potilaslähtöinen lähestymistapa poikkeaa perinteisestä ennustetekijöiden analysoi useilla muilla tavoilla. Perinteiset analyysit keskittyvät tyypillisesti suhteellisen ennustetekijöiden teho eri tekijöistä monimuuttujamenetelmin Coxin tai logistista regressiota. Silti jolla riippumaton tilastollista merkittävyyttä ei takaa, että tekijä on ennusteen käyttökelpoinen yksittäisen potilaan [18]. Lisäksi lavastus järjestelmiä tarjoavat yleensä selviytymisen arvio yli määritellyn ajan (esim 5- tai 10-vuoden eloonjäämisen) kaikilla potilailla on selvä substage syöpä. Sen sijaan meidän lähestymistapamme muuntaa ennustetekijöiden tulosteen räätälöityjä yksittäisiä todennäköisyyksiä joitakin keskeisiä tapahtuman, kuten 5-vuoden tautikohtaisia ​​kuolema. Tämä on pohjimmiltaan potilaan keskittyvää lähestymistapaa. Se keskittyy yksittäisen potilaan sijasta tulokset vertailukaudesta tehoon tietyn ennustavat tekijät. Lisäksi se tekee oman todennäköisyys 5 vuoden tautikohtaisiin kuolema jokaisen yksittäisen potilaan. Se merkitsee painopisteen erityiseen ennustetekijöiden esiintyy tietyissä potilasalaryhmissä yksittäisille hoitotuloksia. Vaikka rooli ennustetekijät edelleen ratkaisevan tärkeää, tekijät nyt toimia perustana, jolle yksilöllisesti potilaan todennäköisyydet lasketaan. Ennustetekijöiden eivät enää näkökulmaa kannalta joista lopulliset johtopäätökset totesi.

Koska ennustetekijöiden tutkimus keskittyy yleensä tunnistamaan tekijöitä, jotka tarjoavat tilastollisesti riippumattomia vaikutuksia, joilla on merkittävä P-arvo, onko vaihtoehtoisia analyyttisten menettelyjen voi parantaa ennustetekijöitä tehon tasolla yksittäisten hoitotuloksia on harvoin keskustellaan ja harvoin osoitettu. Tässä osoitamme parannusta AUC saavutetaan potilaslähtöinen ennustetekijöiden lähestymistapa verrattuna käyttöön AJCC vaiheessa kahdessa eri syöpäsairauksia.

kehittäminen räätälöidään ennustemalleja on tärkeä tavoite, joka on tutkinut muiden ryhmien . Cochran et ai. [19] tunnistettiin tekijöitä, jotka syntyivät logistinen regressio on aineisto on 1042 melanoomapotilaiden, ja kehittyi yksilöllisiä todennäköisyyspohjaisia ​​riskiarvioita. Äskettäin AJCC melanooma Task Force kehitetty sähköinen työkalu ennustaa selviytymisen lokalisoitu melanooman monimuuttujamenetelmin Coxin regressioanalyysisarjoissa viisi rutiininomaisesti saatavilla ennustetekijöiden [20]. Selviytymisen arvioiden kehittynyt aineisto on 14760 potilasta validoitu riippumattomalla kohortin 10974 potilasta. Merkittävät menettelyeroja estä vertailuja potilaslähtöinen menetelmän tässä kuvatut. Mikä tärkeintä, ole toimitettu tarkempia tietoja koskien ennustetekijöiden tehoa niiden lähestymistapa. Kuitenkin meidän kohortin potilas-lähestymistapaa oli parempi prognostisten tarkkuutta verrattuna käyttöön rutiininomaisesti saatavilla ennustetekijät, yksin.

Tulosten perusteella esitetään tässä, potilaslähtöinen menetelmät voivat olla laaja-apuohjelma tekemään yksilöllisesti räätälöityjä ennusteet muiden syöpien, kuten myös muiden kroonisten tautien huomattavaa sairastuvuutta. Hyödynsimme tätä menetelmää parantaa prognoosi- tarkkuutta ja riskinarviointi adjuvanttihoito mutta samaa lähestymistapaa voitaisiin käyttää myös tunnistamaan potilaita, joilla ero hoitovaste. Tämä voi olla erityisen tärkeää nykyisessä keskustelussa rajoittamiseksi varoja terveydenhuoltoon. Menetelmiä, jotka parantavat ennustetekijöiden tarkkuutta voi olla käyttökelpoinen tunnistamaan potilaat, jotka hyötyisivät vastaanottaa kalliita ja /tai myrkyllisten hoitoja kroonisia sairauksia.

ennustetekijöitä lähestymistapa mahdollistaa määrittämisen yksilöllisen ennusteet, vaikka arvot monista tekijöistä puuttuvat. Vaikka on hyvä olla tietoa kaikista ennustetekijät, tämä ei ole käytännöllistä jokaiselle potilaalle. Potilas-toimintatapaa mahdollistaa määrittämisen yksilön prognoosi, perustua johonkin tiedot ovat saatavilla. Tämä on toisin kuin tyypillinen monimuuttujatestauksen logistinen tai Coxin regressio, jossa on täydelliset tiedot kaikesta ennustetekijöiden tarvitaan tyypillisesti tietyn potilaan sisällytetään analyysiin. Lisäksi menetelmämme tunnistaa tekijät eniten ennustetekijöiden merkitys selvästi vaarana potilasalaryhmissä ja ehdottaa mitkä tekijät (jotka voivat puuttua) olisi eniten hyötyä sisällyttää potilaan patologia raportti (sekä varoituksia arviointi).

aineistot kahden syöpäsairauksia valittu havainnollistamaan potilaslähtöinen menetelmät eivät väestöpohjainen. Vaikka väestöpohjainen aineistot ovat edullisia tekijä keskipisteenä analyysejä, se on tärkeämpi potilaskeskeistä lähestymistapa tunnistaa potilaat, jotka ovat ennusteen ”samankaltainen” tietyn potilaan, jonka ennuste on määritetty. Tämä ero on toinen ominaisista seurauksista siirtymässä tiukasti tekijä keskipisteenä potilaalle keskittyvää lähestymistapaa. Jotta koota kattava joukko viittaus kerrostumien sisältävien ”samankaltainen” potilaat, on välttämätöntä jäljitellä tätä menetelmää suurempia aineistoja näyte useita kerrostumia väestössä tietyn maligniteetti.

Tärkeä rajoittaminen potilaslähtöinen metodologia on mahdollisuus tilastollisen yli istuva. Samat laitteet sisällytetty menetelmiä, jotka edistävät parantuneen ennustetekijöitä tarkkuus myös riski yli istuva ennustetekijöiden algoritmi mitä empiirisiä havaintoja käytetään koulutukseen tietoja. Tämän kompensoimiseksi, sisäänrakennettu suojaukset vastaan ​​yli istuva sisältää hyväksyttävyyden edellytyksiä sovelletaan ennen käyttöönottoa ehdokas ennustetekijä tehtävän analyysin ja pienin osion kokoa perustettu algoritmi tuottavan menettely.

On tärkeää huomioon, että suuri osa parannusta ennakoivan tarkkuus saavutetaan menetelmämme ei voida kohtuudella katsoa yli istuva. Merkittävä osa toteutettiin yksinkertaisesti analysoimalla vaatimaton määrä rutiininomaisesti saatavilla prognoosi- ja lavastus parametrit eri tavalla, ennen sisällyttämällä lisätekijöitä sisällä analyysit (rivit 1 ja 2 vs. rivi 3 taulukoissa 1 ja 2, vastaavasti).

Olemme poikennut perinteistä lähestymistapaa validointi yksittäisiä ennustetekijöitä merkkiaineiden jossa erillistä koulutusta ja validointi ikäluokat käytetään. Pikemminkin olemme kehittäneet uuden menetelmän, suunniteltu erityisesti tekemään ennustetekijöitä ennusteita yksittäisen potilaan tasolla. Tätä menetelmää sitten osoitettu parantavan ennustetekijöitä tarkkuutta (verrattuna alkuvaiheen) kahdessa aineistoja peräisin erilliset populaatiot ja joihin osallistuu eri syöpiä. Lisäksi jaetun näytteen luotettavuus analyysi melanooman kohortin paljasti, että merkittävä osa (yli 90%) ennustetekijöiden saavutettu tarkkuus säilyi validointi osanäytteen. Lopulta kuitenkin menetelmämme olisi sovellettava vieläkin suurempia tietomääriä (useita tuhansia potilaita) sekä lieventää liiallista yli istuva ja tuottaa käytännössä hyödyllinen komposiitti ennustetekijöiden algoritmia, joita voitaisiin käyttää tehdä yksittäisen potilaan ennusteita.

Tutkimuksemme eroaa painopistettä tärkeä viimeaikaisten tutkimusten joilla mitataan parannukset ennustetekijöiden tehoa realisoitavissa lisäämästä uusia biomarkkereita, varsinkin kun AUC on riittämätön sen kyky havaita muutoksia absoluuttinen riski [21] – [24]. Valtakunnassa syöpä, näitä tekniikoita on käytetty arvioimaan rintasyövän riskiä [25]. Meidän analyysi, sekä käyttö ROC tonttien ja todennäköisyyspohjaisia ​​ennustaminen menetelmät osoittautuivat riittäviksi osoittamaan parantunut tehokkuus meidän räätälöityjä ennustetekijöiden menetelmiä. Vielä tärkeämpää on, menetelmämme ylittää mittaamiseen ennakoivaa parannuksia. Se tarjoaa menettelyjä ja laitteita, joilla tällaisia ​​parannuksia voidaan toteuttaa.

Yhteenvetona olemme kehittäneet menetelmän määrittää yksilöllinen todennäköisyyksiä tietylle polttoväli tapahtuma (esim. Viiden vuoden tautikohtaista kuolema). Tämä lähestymistapa johti merkittäviä parannuksia ennustavan tarkkuuden kahdella eri pahanlaatuisia kasvaimia verrattuna käyttöön rutiini prognoosi- menetelmien, ja voidaan räätälöidä keskusteluja ennustetta ja hoidon yksittäisen potilaan.

tukeminen Information

menetelmät S1.

Muita menetelmiä, jotka eivät sisälly varsinaiseen tekstiin.

doi: 10,1371 /journal.pone.0056435.s001

(DOC) B Taulukko S1.

Kliininen ja histologinen ominaisuudet melanooman näytteen (N = 1222).

doi: 10,1371 /journal.pone.0056435.s002

(DOCX) B Taulukko S2.

Kliininen ja histologinen ominaisuudet rintasyövän näyte (N = 1225).