Evaluering af en maskinlæringsbaseret forudsigelsesstrategi for ekstrahepatisk metastase ved hepatocellulært karcinom

Baggrund og Rationale

Hepatocellulært karcinom (HCC) er forbundet med en betydelig risiko for postoperativ recidiv og ekstrahepatisk metastase, hvilket kan have en væsentlig indvirkning på prognosen og behandlingsmulighederne. Tidlig identifikation af patienter med høj risiko for ekstrahepatisk metastase kan understøtte en mere passende overvågningsintensitet, tidligere multidisciplinær evaluering og mere rettidig behandlingsplanlægning. Dog er risikostratificerede postoperative overvågningsstrategier for ekstrahepatisk metastase ikke vel etableret i rutinemæssig klinisk praksis.

Undersøgerne har tidligere udviklet maskinlæringsbaserede risikostratificeringsmodeller for ekstrahepatisk metastase i retrospektive multicenter-kohorter, med særlig fokus på lunge- og knoglemetastase. Denne undersøgelse er designet til at prospektivt validere disse modeller og evaluere deres potentielle værdi i virkelighedens kliniske arbejdsgang og beslutningstagning.

Undersøgelsens Formål Primært Formål

At prospektivt validere ydeevnen af foruddefinerede maskinlæringsbaserede risikostratificeringsmodeller for postoperativ ekstrahepatisk metastaserisiko i HCC (især lunge- og knoglemetastase), herunder diskrimination og kalibrering i en multicenter, virkelighedsnær kontekst.

Sekundære Formål

At evaluere risikostratificeringens ydeevne på tværs af klinisk relevante undergrupper og deltagende centre. At vurdere implementeringsrelaterede resultater i rutinepraksis, herunder modeladoption og klinisk beslutningspåvirkning. At evaluere, om modelinformeret risikostratificering er forbundet med ændringer i postoperative overvågningsmønstre, henvisningsveje og timing af multidisciplinær vurdering. At udforske kliniske udfaldsignaler (for eksempel tid-til-hændelse-udfald og klinisk handlekraftige detektionsvindue-relaterede udfald) forbundet med modelinformeret risikostratificering. At udforske ressourceforbrug og sundhedsøkonomiske implikationer af modelinformeret postoperativ behandling i virkelighedsnære omgivelser.

Undersøgelsens Design

Dette er en multicenter, prospektiv, observationsbaseret kohortestudie. Deltagere inddrages og følges i henhold til rutinemæssig klinisk pleje på deltagende hospitaler. Denne undersøgelse indebærer ikke randomisering, påbudt interventionsallokering eller protokoldrevet behandlingsallokering. Undersøgelsen har til formål at validere og evaluere et risikostratificeringsværktøj og dets virkelighedsnære implementering, snarere end at teste en interventionel behandling.

Risikomodellerne, variablerne og det foruddefinerede risikostratificeringsrammeværk blev udviklet før starten af prospektiv inddrageelse. Prospektiv dataindsamling anvendes til at evaluere modeltransportabilitet, kalibrering, klinisk nytte og implementeringsegenskaber i uafhængige, virkelighedsnære kohorter.

Undersøgelsens Population

Berechtigede deltagere er voksne med hepatocellulært karcinom, der har gennemgået kurativt behandlingsforløb og er ved at gå ind i postoperativ opfølgning. Detaljerede inklusions- og eksklusionskriterier er angivet i protokollen og omfatter tilgængelighed af påkrævede baseline kliniske variabler og opfølgningsinformation til udfaldsvurdering.

Undersøgelsesprocedurer og Dataindsamling

Data indsamles prospektivt under rutinemæssig pleje og kan omfatte:

Baseline demografiske og kliniske karakteristika; tumorrelaterede og behandlingsrelaterede variabler; opfølgningsbilleddannelse og laboratorieovervågningsinformation; forekomst og timing af ekstrahepatisk metastase (især lunge- og knoglemetastase)

Recidiv- og overlevelsesrelaterede udfald, hvor tilgængeligt

Kliniske behandlingsbeslutninger (for eksempel overvågningsintensitet, henvisninger, multidisciplinært teamdiskussion og behandlingsplanlægning)

Implementeringsmålinger (for eksempel modelbrug/adoption og beslutningspåvirkningsdokumentation, hvor tilgængeligt)

Ressourceforbrugsvariabler til udforskende økonomiske analyser, hvor tilgængeligt

Der tildeles ingen studiepåbudt behandling. Kliniske beslutninger forbliver under ansvaret af behandlende læger.

Udfald og Analytisk Rammeværk

Undersøgelsen vil evaluere modelydeevne ved hjælp af foruddefinerede statistiske metoder, som kan omfatte mål for diskrimination, kalibrering og klinisk nytte for tid-til-hændelse-udfald. Analyser kan også vurdere center-niveau heterogenitet, tidsmæssig ydeevne og modelopdaterings/rekalibreringsstrategier, hvor passende.

Implementerings- og klinisk nytteanalyser kan omfatte evaluering af:

Adoption og brug af risikostratificeringsværktøjet

Ændringer i overvågningsintensitet eller opfølgningsveje forbundet med risikostrata

Beslutningspåvirkning på henvisning og behandlingsplanlægning

Udforskende sammenhænge med klinisk meningsfulde udfald og ressourceforbrug

Eventuelle analyser, der har til formål at efterligne hypotetiske behandlingsstrategier (for eksempel target trial emulation-baserede analyser), vil klart blive rapporteret som observationsbaserede og estimerede/hypotetiske og vil ikke blive fortolket som randomiserede behandlingseffekter.

Undersøgelsens Betydning

Denne undersøgelse forventes at levere prospektive multicenter-beviser for validiteten og den virkelighedsnære kliniske nytte af maskinlæringsbaseret risikostratificering for ekstrahepatisk metastase i HCC. Resultaterne kan informere om optimering af postoperativ overvågning, risikotilpassede behandlingsveje og fremtidig implementeringsforskning.