Nowoczesne modele prognostyczne w raku pęcherza moczowego

Modele konkurujących ryzyk w raku pęcherza

Tradycyjne analizy przeżycia w raku pęcherza często wykluczają pacjentów, którzy umierają z przyczyn niezwiązanych z nowotworem, co zwiększa błąd selekcji w badaniach prognostycznych. Śmierć z przyczyn innych niż nowotwór stanowi znaczny odsetek wszystkich zgonów u pacjentów z rakiem pęcherza, dlatego identyfikacja czynników ryzyka śmierci nowotworowej i pozanowotworowej jest kluczowa dla indywidualizacji leczenia¹.

Modele konkurujących ryzyk wykazały wysoką dokładność i wiarygodność, mogąc pomóc decydentom klinicznym w poprawie zarządzania i podejścia do pacjentów z rakiem pęcherza. Konstrukcja modelu konkurujących ryzyk do przewidywania śmiertelności specyficznej dla nowotworu u pacjentów z rakiem pęcherza okazała się bardzo dokładna i niezawodna, pomagając w podejmowaniu decyzji klinicznych oraz ulepszaniu metod zarządzania i obserwacji tych pacjentów¹.

Sztuczna inteligencja w przewidywaniu wyników NMIBC

Dokładne przewidywanie nawrotu i progresji w raku nieinwazyjnym mięśniowo (NMIBC) jest niezbędne do informowania o zarządzaniu i kwalifikowalności do badań klinicznych. Systematyczny przegląd badań wykorzystujących sztuczną inteligencję do przewidywania wyników NMIBC zidentyfikował 15 badań – pięć dotyczących nawrotu, cztery progresji i sześć dotyczących obu wyników².

Chociaż modele sztucznej inteligencji generalnie przewyższały podejścia nie oparte na AI pod względem dokładności, wskaźnika c, czułości i swoistości, ta przewaga różniła się w zależnościości od jakości badania. Pomimo niektórych postępów w jakości badań, większość z nich została oceniona jako niska jakość i prawdopodobnie nieodpowiednia do użytku klinicznego³.

Nomogramy przewidujące śmiertelność

Nomogramy stanowią praktyczne narzędzie do przewidywania śmiertelności u pacjentów z rakiem nieinwazyjnym mięśniowo po resekcji przezuretralnej (TURBT). Badanie wykorzystujące bazę danych SEER miało na celu konstrukcję nomogramów przewidujących śmiertelność z wszystkich przyczyn (ACM) i śmiertelność specyficzną dla przyczyny (CSM) u pacjentów z NMIBC⁴.

Nomogramy wykazują wysoki wskaźnik C i AUC, demonstrując doskonałą zdolność dyskryminacyjną i dokładność w przewidywaniu 5-letniego i 10-letniego ryzyka śmiertelności. Badanie ujawniło znaczące związki między wiekiem, rasą, stanem cywilnym, stopniem złośliwości guza, stadium T, wielkością guza, liczbą guzów, miejscem pierwotnym, sposobem leczenia a ACM i CSM u pacjentów z NMIBC w momencie diagnozy⁵.

Wielomodalne modele predykcyjne

Przewidywanie przeżycia pacjentów z rakiem pęcherza po cystektomii może dostarczyć cennych informacji do planowania leczenia, podejmowania decyzji, poradnictwa pacjentów i alokacji zasobów. Badanie miało na celu ocenę sztucznej inteligencji – dużych modeli językowych (LLM) do wyodrębniania informacji klinicznych i poprawy analizy obrazów⁶.

Opracowany wielomodalny model predykcyjny CRD opierał się na deskryptorach klinicznych (C), radiomiki (R) i głębokiego uczenia (D). Połączenie informacji klinicznych uzyskanych przez LLM i analizy obrazów uczenia maszynowego zwiększyło dokładność przewidywania pięcioletniego przeżycia pacjentów z rakiem pęcherza po radykalnej cystektomii, osiągając AUC 0,88 ± 0,05 w porównaniu z AUC 0,82 ± 0,06 osiągniętym przez ręcznie wyodrębnione informacje kliniczne⁷.

Modele oparte na ferroptosis

Ferroptosis, jako regulowany typ śmierci komórkowej, zyskuje znaczenie w kontekście raka pęcherza. Model prognostyczny oparty na ferroptosis wykazał znaczące różnice w wynikach przeżycia między pacjentami z wysokimi i niskimi wskaźnikami ferroptosis w kohorcie TCGA (współczynnik ryzyka 2,09, 95% przedział ufności: 1,55–2,82), co zostało również zweryfikowane w innych kohortach⁸.

Zintegrowany nomogram oparty na wskaźniku ferroptosis i cechach kliniczno-patologicznych wykazał dobre wyniki w przewidywaniu wyników klinicznych w obserwacji 1-, 3- i 5-letniej. Model okazał się szczególnie przydatny w przewidywaniu odpowiedzi na immunoterapię, gdzie pacjenci z wysokimi wskaźnikami ferroptosis mieli gorsze wyniki przeżycia po otrzymaniu immunoterapii przeciwnowotworowej⁹.

Biomarkery immunologiczne i autofagiczne

Identyfikacja genów związanych z immunologią i autofagią do przewidywania przeżycia w raku pęcherza staje się coraz bardziej istotna. Model ryzyka składający się z 12 genów związanych z immunologią i autofagią oraz trzech wskaźników infiltracji immunologicznej Cibersort okazał się stabilny i skuteczny w przewidywaniu rokowania pacjentów z rakiem pęcherza¹⁰.

Wysoka ekspresja genów C5AR2, CSF3R, FBXW10, FCAR, GHR, OLR1, PGLYRP3, RASGRP4, S100A12 była związana z gorszym rokowaniem, podczas gdy wysoki poziom ekspresji CD96, IL10, MEFV wskazywał na lepsze rokowanie. Wysokie wartości wskaźnika C i dobra krzywa kalibracyjna wykazały, że nomogram miał dobry efekt predykcyjny¹¹.

Wyzwania i perspektywy rozwoju

Pomimo obiecujących wyników, nowoczesne modele prognostyczne w raku pęcherza napotykają na szereg wyzwań. Główne problemy to heterogeniczność danych, różne definicje wyników, błędy metodologiczne oraz problemy z odtwarzalnością. Te problemy mogą prowadzić do nadmiernie optymistycznych szacunków wydajności modeli i ograniczać ich potencjał do użytku klinicznego³.

Konieczne są wspólne wysiłki między społecznościami urologiczną i sztucznej inteligencji w połączeniu z rygorystycznymi metodologiami w celu opracowania modeli wyższej jakości, umożliwiając sztucznej inteligencji osiągnięcie swojego potencjału w poprawie opieki nad NMIBC. Przyszłe badania powinny skupić się na standaryzacji definicji wyników, poprawie jakości danych oraz walidacji modeli w prospektywnych kohortach².