Интегральный подход к дооперационному определению клинической значимости рака простаты
Автор: Шатылко Т.В., Попков В.М., Фомкин Р.Н.
Журнал: Саратовский научно-медицинский журнал @ssmj
Рубрика: Материалы всероссийской недели науки с международным участием
Статья в выпуске: 3 т.11, 2015 года.
Бесплатный доступ
Цель; совершенствование ранней диагностики рака простаты (РПЖ) с помощью создания инструмента, способного прогнозировать его клиническую значимость на амбулаторном этапе. Материал и методы. На основе информации из историй болезни 398 пациентов, которым в период 2012-2014 гг. выполнялась трансректальная биопсия простаты (ТРБ) в онкологическом отделении КБ СГМУ, построена искусственная нейронная сеть (ИНС), набор выходных данных которой позволял прогнозировать соответствие РПЖ критериям Эпштейна и принадлежность его к определённой группе онкологического риска по Д'Амико. Внутренняя валидация производилась на основании данных 80 пациентов. Определены чувствительность, специфичность, положительная и отрицательная предиктивная ценность ИНС. Результаты. Точность прогнозирования наличия РПЖ в биоптате при валидации составила 93,75%; точность соответствия РПЖ критериям активного наблюдения составила 90%. Точность прогнозирования стадии Т (Т1с, Т2а, Т2Ь, Т2с) составила 57,1%. Соответствие прогнозируемой и реальной группы риска по Д'Амико наблюдалось в 70% случаев; для группы низкого онкологического риска точность составила 81.2%. Заключение. ИНС могут быть способны стратифицировать РПЖ по группе риска и клинической значимости ещё до биопсии.
Клинический значимый, критерии эпштейна, рак простаты, стратификация риска
Короткий адрес: https://sciup.org/14918149
IDR: 14918149
Integrative approach to pre-operative determination of clinically significant prostate cancer
Aim: improvement of early diagnostics of prostate cancer by developing a technique, which makes possible to predict its clinical significance in outpatient setting before initiation of invasive procedures. Material and Methods. Clinical data of 398 patients who underwent transrectal prostate biopsy in 2012-2014 in SSMU S. R. Mirotvortsev Clinical Hospital, was used to build an artificial neural network, while its output allowed to determine whether the tumour corresponds to Epstein criteria and which D'Amico risk group it belongs to. Internal validation was performed on 80 patients, who underwent prostate biopsy in September 2014 — December 2014. Sensitivity, specificity, positive and negative predictive value of artificial neural network were calculated. Results. Accuracy of predicting adenocarcinoma presence in biopsy specimen was 93,75%; accuracy of predicting whether the cancer meets active surveillance criteria was 90%. Accuracy of predicting T stage (T1c, T2a, T2b, T2c)was 57,1%. Prediction of D'Amico risk group was accurate in 70% of cases; for low-risk cancer accuracy was 81,2%. Conclusion. Artificial neural networks may be responsible for prostate cancer risk stratification and determination of its clinical significance prior to biopsy.
Список литературы Интегральный подход к дооперационному определению клинической значимости рака простаты
- Murphy DG, Ahlering T, Catalona WJ, et al. The Melbourne Consensus Statement on the early detection of prostate cancer. BJU lnt2014Feb; 113(2): 186-8
- Iremashvili V, Pelaez L, Manoharan M, et al. Pathologic prostate cancer characteristics in patients eligible for active surveillance: a head-to-head comparison of contemporary protocols. Eur Urol 2012 Sep; 62 (3): 462-8
- Kryvenko ON, Carter HB, Trock BJ. Biopsy criteria for determining appropriateness for active surveillance in the modern era. Urology 2014 Apr; 83 (4): 869-74
- Nguyen CT, Kattan MW. Formalized prediction of clinically significant prostate cancer: is it possible? Asian J Androl 2012 May; 14(3): 349-54
- Ecke TH, Hallmann S, Koch S, et al. External validation of an artificial neural network and two nomograms for prostate cancer detection. ISRN Urol 2012; 2012: 643181
- Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 152: 1923-26
- Lawrentschuk N, Lockwood G, Davies P, et al.Predicting prostate biopsy outcome: artificial neural networks and polychot-omous regression are equivalent models. Int Urol Nephrol 2011 Mar; 43(1): 23-30
- Попков В.M, Шатылко Т.В., Фомкин Р.Н. Прогнозирование результата патогистологического исследования простаты с помощью искусcтвенной нейронной сети. Саратовский научно-медицинский журнал 2014. 10 (2): 328-32
- Шатылко Т.В., Седов Д.С. Серая зона PSA: статистико-математический анализ с применением метода искусственных нейронных сетей. Бюллетень медицинских интернет-конференций 2014; 4 (4): 417
- Попков B.M., Шатылко Т.В., Королёв А.Ю. и др. Оптимизация PSA-скрининга с помощью искусственного интеллекта. Медицинский вестник Башкортостана 2015; 10 (3): 232-5
- Попков B.M., Фомкин P.H., Блюмберг Б.И. Возможности прогнозирования рецидива рака простаты после HIFU-аблации с помощью математического моделирования. Саратовский научно-медицинский журнал 2013; 9 (2): 314-320.
