Nowoczesne modele prognostyczne w raku wątroby

Rozwój nowoczesnych modeli prognostycznych stanowi przełom w ocenie rokowania pacjentów z rakiem wątroby. Te zaawansowane narzędzia pozwalają lekarzom na znacznie precyzyjniejsze przewidywanie przebiegu choroby i dobór optymalnej strategii leczenia dla każdego pacjenta indywidualnie¹.

Współczesna medycyna opracowała już wiele wielozmiennych modeli prognostycznych przewidujących wyniki kliniczne u pacjentów z rakiem wątroby poddawanych terapii systemowej¹. Chociaż dokonano wielkiego postępu w leczeniu zaawansowanego raka wątroby, ogólne rokowanie po leczeniu pozostaje trudne, co sprawia, że precyzyjne modele predykcyjne są szczególnie cenne¹.

Najważniejsze wskaźniki prognostyczne

Najczęściej wykorzystywanymi wskaźnikami klinicznymi do przewidywania rokowania u pacjentów z rakiem wątroby poddawanych terapii systemowej są całkowite przeżycie (OS – overall survival) i przeżycie wolne od progresji (PFS – progression-free survival)². Te parametry stanowią podstawę dla większości modeli prognostycznych i są standardowo wykorzystywane w badaniach klinicznych.

Najczęściej stosowanymi czynnikami predykcyjnymi w modelach prognostycznych są poziom alfa-fetoproteiny (AFP), albumina, bilirubina, klasyfikacja Child-Pugh, przerzuty pozawątrobowe, rozmiar guza oraz naciekanie naczyń². Te parametry kliniczne i laboratoryjne są łatwo dostępne w praktyce klinicznej i mają udowodnioną wartość prognostyczną.

Systemy oceny HAP i inne

System HAP (Hepatoma Arterial-embolisation Prognostic) wykazuje najwyższą skuteczność w przewidywaniu rokowania u pacjentów z pośrednim i zaawansowanym rakiem wątroby leczonych chemoembolizacją przeznaczyniową w połączeniu z apatinibem³. Badania potwierdzają wartość predykcyjną systemów HAP, Six-and-Twelve, Up to Seven i ALBI u pacjentów otrzymujących kombinowaną terapię TACE i apatinib³.

Spośród czterech systemów oceny, model HAP wykazał najwyższy wskaźnik C-index wynoszący 0,742, wskazując na najlepszą zdolność przewidywania przeżycia, następnie system Six-and-Twelve (0,701), Up to Seven (0,698) i ALBI (0,601)⁴. System HAP prezentował również wyższe wartości AUC niż pozostałe trzy systemy w przewidywaniu całkowitego przeżycia w okresach 6, 12 i 24 miesięcy⁵.

System HAP kładzie nacisk na cztery czynniki dotyczące rezerwy funkcjonalnej wątroby i obciążenia nowotworowego, co może wyjaśniać jego lepszą skuteczność predykcyjną⁴. Ta kompleksowa ocena czyni go szczególnie użytecznym narzędziem w planowaniu leczenia pacjentów z pośrednim i zaawansowanym stadium choroby.

Rola sztucznej inteligencji

Sztuczna inteligencja rewolucjonizuje przewidywanie wyników leczenia w raku wątroby. Algorytmy AI zostały z powodzeniem opracowane do przewidywania odpowiedzi na leczenie i przeżycia po chemoembolizacji przeznaczyniowej⁶. Metody AI do przewidywania całkowitego przeżycia i wyników leczenia w raku wątroby pojawiły się w ostatnich dwóch latach i pozostają dynamicznym obszarem badań⁶.

Model CatBoost osiągnął najlepszą dyskryminację, gdy wprowadzono 12 najważniejszych zmiennych, z AUC wynoszącym 0,851 dla zestawu treningowego⁷. Na podstawie tego modelu skonstruowano skalę oceny ryzyka (RSSM) wykorzystującą sześć zmiennych, która może dokładnie stratyfikować ryzyko prognostyczne dla pacjentów z rakiem wątroby poddawanych terapiom wewnątrznaczyniowym⁷.

Biomarkery molekularne w prognozowaniu

Rozwój medycyny molekularnej wprowadza nowe możliwości w prognozowaniu rokowania. Badania nad mikroRNA pokazują obiecujące wyniki – na przykład podwyższone poziomy krążącego miR-193a-5p przewidują pogorszone rokowanie⁸. Pacjenci z wysokim poziomem tego markera mają medianę całkowitego przeżycia tylko 451 dni w porównaniu do 1158 dni u pacjentów z niskim poziomem⁸.

Względne poziomy krążącego miR-193a-5p okazały się niezależnym markerem prognostycznym dla całkowitego przeżycia⁹. Te odkrycia otwierają nowe możliwości dla rozwoju nieinwazyjnych testów prognostycznych opartych na analizie krwi pacjenta.

Badania nad sygnaturami genowymi związanymi z cuproptosis (śmiercią komórkową związaną z miedzią) pokazują, że można stworzyć prognostyczny profil lncRNA do przewidywania odpowiedzi na immunoterapię¹⁰. Pacjenci z niższymi wynikami ryzyka mają znacznie lepsze wyniki przeżycia¹¹.

Modele uwzględniające stan mięśni

Nowoczesne badania wskazują na znaczenie stanu odżywienia i masy mięśniowej w prognozowaniu. Utrata masy mięśniowej jest niezależnym i istotnym czynnikiem prognostycznym u pacjentów z rakiem wątroby¹². Pacjenci z utratą masy mięśniowej mają krótsze przeżycie niż ci bez tego problemu – 1,46 roku w porównaniu do 4,29 roku¹².

Włączenie oceny stanu mięśni do ustalonych systemów, szczególnie klasyfikacji BCLC, znacznie poprawia przewidywanie całkowitego przeżycia¹². Model MD-BCLC (uwzględniający utratę masy mięśniowej) wykazał najwyższe AUROC wynoszące 0,804, co czyni go bardziej kompleksowym narzędziem do podejmowania decyzji klinicznych¹³.

Znaczenie kliniczne i walidacja

Najczęściej używanymi wskaźnikami do oceny skuteczności predykcyjnej modelu prognostycznego są dyskryminacja i kalibracja². Najczęściej używanym i szeroko cytowanym wskaźnikiem dyskryminacji jest indeks zgodności (c-index lub statystyka C)¹⁴.

Przyszłe badania powinny skupić się na aktualizacji istniejących modeli prognostycznych poprzez dostosowanie czynników predykcyjnych w celu poprawy skuteczności oraz promowanie ich zastosowania klinicznego poprzez zewnętrzną walidację². Rozwój i walidacja tych modeli pomoże w identyfikacji pacjentów, którzy mogą odnieść korzyści z terapii systemowej i poprowadzi leczenie².

Modele dla konkretnych terapii

Specjalistyczne modele prognostyczne zostały opracowane dla konkretnych form leczenia. Na przykład, dla pacjentów leczonych terapiami wewnątrznaczyniowymi opracowano model RSSM, który skutecznie dzieli pacjentów na podgrupy o różnych poziomach ryzyka¹⁵. Model ten pomaga wyróżnić optymalnych kandydatów do terapii wewnątrznaczyniowych i może potencjalnie wpłynąć na spersonalizowane podejmowanie decyzji¹⁵.

Badania nad strukturami limfoidalnymi w okolicy guza (pTLS) pokazują, że pacjenci z wysoką gęstością tych struktur mają wydłużone medianowe całkowite przeżycie i korzystną odpowiedź na immunoterapię¹⁶. Opracowanie nieinwazyjnej metody oceny gęstości pTLS może pomóc w podejmowaniu decyzji klinicznych i doborze leczenia¹⁶.

Rozwój spersonalizowanych modeli przewidywania ryzyka do szacowania indywidualnego ryzyka pacjenta dla rozwoju raka wątroby może wzmocnić wczesne wykrywanie i diagnozę w populacji angielskiej oraz informować o strategiach badań przesiewowych i prewencji¹⁷. Zastosowanie spersonalizowanych modeli przewidywania ryzyka do wyboru osób wysokiego ryzyka z populacji może być opłacalnym podejściem do poprawy wczesnej diagnozy raka wątroby i wyników leczenia pacjentów¹⁸.