Bewertung der Effektivität von PREDICT Breast v3 bei der Prognose von Brustkrebs

Brustkrebs ist die häufigste Krebsart, die weltweit bei Frauen diagnostiziert wird. 2022 wurden etwa 2,3 Millionen neue Fälle bekannt. In den USA ist Brustkrebs die häufigste Krebsart bei Frauen, mit hohen Raten bei Diagnosen und Todesfällen. Man schätzt, dass es 2024 über 310.000 neue Fälle und rund 42.000 Todesfälle wegen Brustkrebs geben wird. Wenn Frauen die Diagnose Brustkrebs erhalten, müssen sie eine grosse Entscheidung treffen: ob sie nach der Operation eine systemische Behandlung machen wollen.

#Was ist systemische Behandlung?

Systemische Behandlung bezieht sich auf Therapien, die im ganzen Körper wirken. Bei Brustkrebs im Frühstadium soll diese Art der Behandlung die Wahrscheinlichkeit verringern, dass der Krebs zurückkommt, und die Überlebensraten verbessern. Genau Vorhersagen über Überlebensraten und den Nutzen der Behandlung sind entscheidend. Das hilft den Ärzten, die richtige Behandlungsstrategie zu empfehlen, Nebenwirkungen zu reduzieren und die Lebensqualität der Patientin zu bewahren.

#Vorhersagemodelle

Es wurden mehrere Vorhersagemodelle entwickelt, um Ärzten zu helfen, die besten systemischen Behandlungen basierend auf Patientinnen- und Tumordaten wie Tumorgrösse und Hormonrezeptorstatus auszuwählen. Einige dieser Modelle, wie PREDICT Breast, wurden regelmässig aktualisiert. Die neueste Version, PREDICT Breast v3, wurde im Mai 2024 veröffentlicht.

Allerdings sind nicht mehr alle Modelle verfügbar. Zum Beispiel ist Adjuvant! Online nicht mehr zugänglich, und CancerMath wurde eine Weile nicht aktualisiert. PREDICT Breast hat sich seit seiner Einführung im Jahr 2011 bewährt, indem es aktualisiert wurde.

#Wichtigkeit der Validierung

PREDICT Breast v1 und v2 wurden in vielen Ländern validiert, darunter Grossbritannien, Kanada, Japan und andere. PREDICT Breast v3 wurde jedoch nur im Vereinigten Königreich validiert, dem Land, in dem es entwickelt wurde. Das ist ein bisschen wie einen Kuchen zu backen und ihn nur in einer Küche zu probieren. Um zu sehen, ob er überall gut ist, müssen wir ihn an verschiedenen Orten testen, wie in den vielfältigen Gemeinschaften in den USA.

Diese Studie zielt darauf ab, diese Lücke zu schliessen, indem sie PREDICT Breast v3 mit den neuesten Daten des Surveillance, Epidemiology, and End Results (SEER)-Programms validiert. Das wird helfen, zu bewerten, wie gut das Modell die Ergebnisse von Patientinnen in verschiedenen amerikanischen Gruppen vorhersagt.

#Studienpopulation

Die Studie betrachtete einen riesigen Datensatz von SEER, der Brustkrebsfälle von 2000 bis 2018 abdeckte. SEER sammelt umfassende Informationen über Krebspatientinnen im ganzen Land. Insgesamt wurden über 1,2 Millionen Fälle erfasst. Die Studie konzentrierte sich auf Frauen im Alter von 25 bis 84 Jahren, die in diesem Zeitraum neu mit Brustkrebs diagnostiziert wurden. Die Forscher schlossen alle aus, die bei der Diagnose bereits fortgeschrittenen Krebs hatten oder unzureichende Daten aufwiesen. Das ergab eine solide Gruppe von rund 628.000 Frauen, die verschiedene ethnische Hintergründe repräsentierten.

#Schlüsselmerkmale im Modell

Um genaue Vorhersagen mit PREDICT Breast v3 zu machen, nutzt das Modell eine Reihe von Eingangsvariablen. Dazu gehören Details wie das Alter der Patientin, die Tumorgrösse und ob bestimmte Hormonrezeptoren vorhanden sind. Das Modell berücksichtigt auch verschiedene Behandlungsarten, wie Chemotherapie und Strahlentherapie. Einige Behandlungsdaten sind nicht verfügbar, was zu Annahmen über bestimmte Patientengruppen führt. Zum Beispiel geht das Modell davon aus, dass alle jüngeren Patientinnen, die eine Chemotherapie erhalten haben, eine bestimmte Art bekommen haben.

#Wie Vorhersagen gemacht werden

Um die Überlebensraten vorherzusagen, verwendeten die Forscher ein spezielles Modell, das verschiedene Risiken berücksichtigt. Dazu gehören sowohl die krebsbedingte Sterblichkeit als auch andere Todesursachen. Der Prozess kombiniert im Wesentlichen verschiedene Faktoren, um eine Überlebensschätzung für jede Patientin zu erzeugen.

#Bewertung der Modellleistung

Um zu sehen, wie gut das Modell abgeschnitten hat, schauten die Forscher auf drei wichtige Bereiche: Kalibrierung, Güte der Anpassung und Diskrimination.

• Kalibrierung prüft, ob die vorhergesagte Anzahl an Todesfällen mit den tatsächlichen Todesfällen übereinstimmt.
• Güte der Anpassung ist wie ein Vergleich, wie die vorhergesagten Todesfälle im Vergleich zu den tatsächlichen Todesfällen in verschiedenen Risikokategorien abschneiden.
• Diskrimination bewertet, wie gut das Modell zwischen Patientinnen unterscheiden kann, die überleben werden und denen, die es nicht tun.

Eine gute Leistung in diesen Bereichen bedeutet, dass das Modell zuverlässig für die Entscheidungen der Patientinnen ist.

#Merkmale der Patientinnen in der Studie

Unter den 628.753 Frauen hatten die meisten hormonrezeptorpositive Arten von Brustkrebs, die im Allgemeinen eine bessere Aussicht haben. Die Forscher sammelten Informationen über deren Demografie, Tumoreigenschaften und Behandlungsarten.

Die Vorhersagen von PREDICT Breast v3 stimmten gut mit den tatsächlich beobachteten Todesfällen nach 10 und 15 Jahren überein. Es gab jedoch einige Probleme bei bestimmten ethnischen Gruppen. Zum Beispiel schätzte das Modell die Todesfälle bei nicht-hispanischen asiatischen Frauen mit einer bestimmten Art von Brustkrebs tendenziell zu hoch ein, während es die Todesfälle bei nicht-hispanischen schwarzen Frauen unterbewertete. Es ist ein bisschen so, als würde man vorhersagen, dass jeder den gleichen Eissorten-Geschmack lieben würde, während jeder verschiedene Vorlieben hat.

#Stärken und Schwächen des Modells hervorheben

Insgesamt hat PREDICT Breast v3 gut abgeschnitten, besonders für die Mehrheit der Brustkrebspatientinnen in den USA. Es lieferte gute Vorhersagen für sowohl ER-positive als auch ER-negative Patientinnen. Im Allgemeinen schnitt das Modell ähnlich ab wie frühere Validierungen im Vereinigten Königreich.

Allerdings waren die Ungenauigkeiten bei bestimmten Gruppen auffällig. Das Modell überschätzte das Überleben in einigen Gruppen und unterschätzte es in anderen. Diese Art von Diskrepanz kann zu grossen Fehlberechnungen führen, wenn Ärzte Entscheidungen über Behandlungen treffen. Zum Beispiel könnte es dazu führen, dass eine Behandlung verschrieben wird, die für eine bestimmte Patientengruppe nicht so effektiv ist oder dass eine effektive Behandlung übersehen wird.

#Zukünftige Verbesserungen

Obwohl PREDICT Breast v3 beeindruckend ist, gibt es Möglichkeiten, es noch besser zu machen. Es scheint, als könnte eine Anpassung des Modells, um die spezifischen Merkmale der Bevölkerung hinsichtlich der Grundrisiken zu berücksichtigen, die Genauigkeit verbessern. Auch das Einbeziehen weiterer prognostischer Marker, wie verschiedene Genexpressions- oder genomische Risikoweise, könnte zu reichhaltigeren Vorhersagen führen.

Das Ziel ist, sicherzustellen, dass das Modell für alle Gruppen gut funktioniert und die Vielfalt der Bevölkerung genau widerspiegelt, anstatt eine Einheitslösung zu sein.

#Fazit

Zusammengefasst ist Brustkrebs ein grosses Gesundheitsproblem für Frauen weltweit, und es ist wichtig, sich auf die richtigen Behandlungsoptionen zu konzentrieren. Während Vorhersagemodelle wie PREDICT Breast v3 eine entscheidende Rolle bei der Anleitung von Behandlungen spielen, ist es wichtig sicherzustellen, dass ihre Empfehlungen gut auf verschiedene Patientenhintergründe abgestimmt sind.

Die Forschung bestätigt, dass PREDICT Breast v3 solide Prinzipien hat und wirklich helfen könnte. Allerdings wird kontinuierliche Verbesserung wichtig sein, um die einzigartigen Merkmale verschiedener ethnischer Gruppen zu berücksichtigen, damit alle Frauen, die gegen Brustkrebs kämpfen, die bestmögliche Versorgung erhalten. Schliesslich wollen wir alle diesen harten Kampf gewinnen, und jedes Detail ist wichtig, wenn es darum geht, Leben zu retten.