Validierung des Train-AI für das Risiko eines HCC-Wiederauftretens nach Lebertransplantation (TRAIN-AI)

Die Lebertransplantation (LT) ist die beste Behandlungsoption für Patienten mit frühen Stadien von hepatozellulärem Karzinom (HCC) .1 Die Verwendung von LT hängt jedoch von der Aufrechterhaltung eines Gleichgewichts zwischen dem Risiko eines Wiederauftretens nach der Transplantation oder dem HCC-bezogenen Tod und der gerechten Verteilung der Organspender ab.2-5 Aktuelle Auswahlkriterien zielen darauf ab, eine Transplantation zu vermeiden, indem Patienten aus LT ausgeschlossen werden, die ein hohes Risiko für Tumorrezidiven haben. Es wurde gezeigt, dass die Auswahl von Patienten innerhalb der Mailänder Kriterien hervorragende Patientenergebnisse liefert.6,7 Diese Kriterien wurden jedoch durch andere Serien in Frage gestellt, die äquivalente Ergebnisse für Patienten mit einer größeren Tumorbelastung zeigen. Kürzlich wurde eine Kombination aus morphologischen (d. H. Tumorzahl und Größe) und biologischen Merkmalen vorgeschlagen, mit der Absicht, den Patientenauswahlprozess umzusetzen.8,9 Das maschinelle Lernen stellt ein statistisches Instrument dar, das die prognostischen Fähigkeiten vieler klinisch verfügbarer Variablen nutzen kann. Vor kurzem wurde der Train-AI vorgeschlagen, und ein HCC-Rezidiv-Risikorechner nach der Transplantation unter Verwendung des maschinellen Lernens basierend auf dem Train-AI-Wert ist verfügbar.10 Wir versuchen, die Generalisierbarkeit dieses maschinelles Lernmodells durch eine Validierungsstudie für andere Institutionen zu untersuchen.

Studienziele und Ziele:

Das Hauptziel dieser Studie ist es, unseren zuvor gemeldeten Train-AI-Wert mit externen Datensätzen aus anderen HCC-Zentren zu validieren.

Studiendesign und Methodik:

Validieren Sie das Train-AI-Modell, indem Sie es mit anderen verfügbaren Recurce-Risiko-Algorithmen an einem gehaltenen Testsatz vergleichen. Train-AI wird mit den Kriterien von Mailand, San Francisco-Kriterien, aktuellen Kriterien, TBS, Metroticket 2,0-Score, Halt-HCC-Score, AFP-Französischen Modell, 5-5-500-Rolle, NYCA-Score und Train Score, verglichen .

Studienpopulation Erwachsene (≥ 18 Jahre), die im Zeitraum Januar 2003 - Dezember 2018 für HCC eine Lebertransplantation unterzogen wurden.

Einschlusskriterien • Patienten, die sich einer Lebertransplantation allein zur Diagnose von HCC unterzogen haben. Ausschlusskriterien

• Patienten mit zufällig entdeckten HCC auf der explantierten Leber (d. H. Der HCC war vor dem LT nicht bekannt)

• Wiederholungen oder Multivisheraltransplantationen

• Patienten mit anderen Tumoren als reinem HCC (wie Cholangiokarzinom, gemischte HCC-Cholangiokarzinom-Tumoren, Fibrolamellar HCC usw.))

Datenerfassung/Variablen Die für die Analyse erforderlichen Daten sind im Excel -Tabellenblatt vorhanden, das bereits an die beteiligten Zentren gesendet wurde. Die Säulen in Gelb sind für die Berechnung der Punktzahl obligatorisch.

Daten/statistische Analyse:

Daten von HCC -Transplantationen, die vom 1. Januar 2003 bis 31. Dezember 2018 durchgeführt wurden, werden von den eingeladenen Zentren angefordert, die sie aus ihren Aufzeichnungen einschließlich der Überprüfung des elektronischen Diagramms erhalten. Die zuletzt zulässige Nachverfolgung von Patienten ist der 31. Dezember 2023, da dies ein retrospektives Studiendesign ist. Das Überleben des Patienten wird vom Datum des LT bis zum Tod des Patienten berechnet (aufgrund irgendeiner Ursache). Wenn der Tod nicht auftritt, wird der Patient zu seinem letzten bekannten lebendigen Datum zensiert. Die Zeit des Wiederauftretens wird von der Transplantation auf die erste Bildgebungsstudie (oder gegebenenfalls Biopsie) berechnet, die das Wiederauftreten des Tumors bestätigte. Die Demografie der Patienten und die klinisch -pathologischen Merkmale werden gegebenenfalls unter Verwendung beschreibender Statistiken unter Verwendung von Mitteln, Medianen und Proportionen beschrieben. Die genaue Methodik zur Berechnung des maschinellen Lernalgorithmus-Vorhersagemodells sowie der Vergleiche mit zuvor veröffentlichten Modellen wurde bereits in unserer Entwicklungskohortenstudie umrissen.10 Alle statistischen Analysen werden unter Verwendung von Python 3.10.1 (Bibliotheken: Pycox, Fackel, Scikit-Learn und Lebenslungen) durchgeführt.