קבוצת חוקרים יפנים מאוניברסיטת טוקיו השתמשו באלגוריתם לימוד מכונה (machine learning) לפיתוח כלים מתמטיים המאפשרים לחזות את הסבירות להישנות מחלה גרורתית לאחר כימותרפיה ניאואדג'וונטית (NAC) בתוספת trastuzumab (הרצפטין) בחולים עם סרטן שד חיובי ל-HER2. המחקר פורסם החודש בכתב העת המדעי Breast Cancer Research and Therapy.

נאספו נתונים של 776 מטופלים ממחקר רטרוספקטיבי רב-מרכזי. כל החולים סבלו מסרטן השד חיובי ל-HER2 וקבלו NAC פלוס הרצפטין בין 2001 ו-2010. שני כלים מתמטיים בשיטת Machine learning פותחו כדי לחזות את הסבירות של הישרדות ללא מחלה (DFS) (מודל DFS) וגרורות במוח (BM) (מודל BM) בתוך 5 שנים לאחר הניתוח. עבור אימות, בוצע ניתוח בוטסטרפינג (bootstrapping). עבור חישוב רגישות חושב השטח תחת העקומה (AUC) של עקומת ROC סטנדרטית.

ערכי ה-AUC היו 0.785 (95% CIי0.740-0.831, P<0.001) עבור מודל DFS ו-0.871 (95% CI 0.830-0.912, P<0.001) עבור מודל ה-BM. מטופלים עם סיכון נמוך לאירועי DFS או BM על פי חיזוי המודל, אכן הציגו שיעורי 5 שנים DFS ו-BM גבוהים יותר מאלו עם סיכון גבוה לאירועי BM DFSי(89% לעומת 61% עבור המודל DFS,יP <0.001 99% לעומת 87% עבור מודל BM,יP <0.001).

מודלים אלה שמרו ביכולות דיסקרימינציה טובה גם בניתוח של שני תתי סוגים לומינלי ולא לומינלי, ואף סיפקו מידע פרוגנוסטי בלתי תלוי בתגובה פתולוגית שנמדדה. אימות Bootstrap אישר שניתן להכליל את המודלים לדגימות נרחבות יותר.

למודלים של machine learning מסוג DFS ו-BM שפותחו יש יכולת דיוק גבוהה בחיזוי פרוגנוזה בקרב חולים חיוביים ל-HER2 עם NAC בתוספת trastuzumab. המודלים יכולים לסייע בטיוב של טיפול בטיפול אדג'ובנטי ובמעקב לאחר הניתוח.

מקור:

Takada, Masahiro, Masahiro Sugimoto, Norikazu Masuda, Hiroji Iwata, Katsumasa Kuroi, Hiroyasu Yamashiro, Shinji Ohno, Hiroshi Ishiguro, Takashi Inamoto, and Masakazu Toi. "Prediction of postoperative disease-free survival and brain metastasis for HER2-positive breast cancer patients treated with neoadjuvant chemotherapy plus trastuzumab using a machine learning algorithm." Breast cancer research and treatment (2018): 1-8.

נושאים קשורים:  machine learning,  סרטן השד,  רפואה מותאמת אישית,  Trastuzumab,  HER2,  הרצפטין,  herceptin,  מחקרים