Validering af tog-AI for risikoen for HCC-tilbagefald efter levertransplantation (TRAIN-AI)

Levertransplantation (LT) er den bedste behandlingsmulighed for patienter med tidlige stadier af hepatocellulært karcinom (HCC) .1 Brugen af ​​LT afhænger imidlertid af at opretholde en balance mellem risikoen for tilbagefald efter transplantation eller HCC-relateret død og den retfærdige fordeling af organdonorer.2-5 Aktuelle selektionskriterier sigter mod at undgå transplantations futilitet ved at ekskludere patienter fra LT, der har en høj risiko for gentagelse af tumor. Valg af patienter inden for Milano -kriterierne har vist sig at give fremragende patientresultater.6,7 Imidlertid er disse kriterier blevet udfordret af andre serier, der viser ækvivalente resultater for patienter, der er transplanteret med en større tumorbyrde. En kombination af morfologisk (dvs. tumorantal og størrelse) og biologiske træk er for nylig blevet foreslået med det formål at implementere patientudvælgelsesprocessen.8,9 Maskinindlæring repræsenterer et statistisk værktøj, der kan udnytte de prognostiske evner for mange klinisk tilgængelige variabler. For nylig er tog-AI blevet foreslået, og en post-transplantation HCC-tilbagefaldsrisikoområde ved hjælp af maskinlæring baseret på tog-AI-score er tilgængelig.10 Vi søger at udforske generaliserbarheden af ​​denne maskinlæringsmodel til andre institutioner gennem en valideringsundersøgelse.

Undersøgelsesmål og mål:

Det primære mål med denne undersøgelse vil være at validere vores tidligere rapporterede tog-AI-score ved hjælp af eksterne datasæt fra andre HCC-centre.

Undersøgelsesdesign og metodologi:

Valider tog-AI-modellen ved at sammenligne den med andre tilgængelige tilbagefaldsrisikoalgoritmer på et holdt testsæt. Train-AI vil blive sammenlignet med Milano-kriterier, San Francisco-kriterier, op-til-syv kriterier, TBS, Metroticket 2.0-score, Halt-HCC-score, AFP-FRENCH-model, 5-5-500 rolle, NYCA-score og tog score .

Studiepopulation voksne (≥ 18 år), der gennemgik levertransplantation for HCC i perioden januar 2003 - december 2018.

Inkluderingskriterier • Patienter, der gennemgik levertransplantation alene for en diagnose af HCC. Ekskluderingskriterier

• Patienter med tilfældigvis opdaget HCC på den ekspliciterede lever (dvs. HCC var ikke kendt før LT)

• Genudviklinger eller multiviscale transplantationer

• Patienter med andre tumorer end ren HCC (såsom cholangiocarcinom, blandet HCC-kolangiocarcinomtumorer, fibrolamellær HCC osv.)

Dataindsamling/variabler De data, der kræves til analysen, er til stede i Excel -spredningsarket, der allerede er sendt til de involverede centre. Søjlerne i gult er obligatoriske til beregning af scoringen.

Data/statistisk analyse:

Data fra HCC -transplantationer udført fra 1. januar 2003 til 31. december 2018 vil blive anmodet om fra de inviterede centre, der vil få dem fra deres poster, herunder elektronisk kortanmeldelse. Den sidste tilladte opfølgning af de inkluderede patienter vil være 31. december 2023, da dette er et retrospektivt undersøgelsesdesign. Patientens overlevelse beregnes fra datoen for LT til patientdød (på grund af enhver årsag). Hvis døden ikke forekommer, censureres patienten på deres sidst kendte levende dato. Tiden til gentagelse beregnes ud fra transplantation til den første billeddannelsesundersøgelse (eller biopsi, hvis relevant), der bekræftede tumor -tilbagefald. Patientdemografi og klinikopatologiske egenskaber vil blive beskrevet ved hjælp af beskrivende statistikker ved hjælp af midler, medianer og proportioner, hvor det er relevant. Den nøjagtige metodologi til beregning af maskinlærings-algoritme-forudsigelsesmodellen samt sammenligningerne med tidligere offentliggjorte modeller er tidligere beskrevet i vores udviklingsgruppeundersøgelse.10 Alle statistiske analyser udføres ved hjælp af Python 3.10.1 (Biblioteker: Pycox, Torch, Scikit-Learn og Lifelines).