Validación de la Train-AI para el riesgo de recurrencia de HCC después del trasplante de hígado (TRAIN-AI)

El trasplante de hígado (LT) es la mejor opción de tratamiento para pacientes con etapas tempranas de carcinoma hepatocelular (CHC) .1 .1 Sin embargo, el uso de LT depende de mantener un equilibrio entre el riesgo de recurrencia posterior al trasplante o la muerte relacionada con el CHC y la distribución equitativa de los donantes de órganos.2-5 Los criterios de selección actuales tienen como objetivo evitar la inutilidad del trasplante al excluir a los pacientes de LT que tienen un alto riesgo de recurrencia tumoral. Se ha demostrado que la selección de pacientes dentro de los criterios de Milán proporciona excelentes resultados del paciente.6,7 Sin embargo, estos criterios han sido desafiados por otras series que muestran resultados equivalentes para pacientes trasplantados con una mayor carga tumoral. Recientemente se ha propuesto recientemente una combinación de características morfológicas (es decir, número y tamaño del tumor) y biológicos con la intención de implementar el proceso de selección del paciente.8,9 El aprendizaje automático representa una herramienta estadística que puede aprovechar las habilidades pronósticas de muchas variables clínicamente disponibles. Recientemente, se ha propuesto el Train-AI, y una calculadora de riesgo de recurrencia de HCC posterior al trasplante utilizando el aprendizaje automático basado en el puntaje de Train-AI está disponible.10 Estamos buscando explorar la generalización de este modelo de aprendizaje automático a otras instituciones a través de un estudio de validación.

Estudiar objetivos y objetivos:

El objetivo principal de este estudio será validar nuestro puntaje de Train-AI informado previamente utilizando conjuntos de datos externos de otros centros de CHC.

Diseño y metodología del estudio:

Valide el modelo Train-AI comparándolo con otros algoritmos de riesgo de recurrencia disponibles en un conjunto de pruebas detenidas. Train-AI se comparará con los criterios de Milán, los criterios de San Francisco, los criterios actualizados, TBS, la puntuación de metroticket 2.0, la puntuación Halt-HCC, el modelo AFP-French, 5-5-500 rol, la puntuación NYCA y la puntuación del tren y la puntuación del tren .

Estudia a los adultos de la población (≥ 18 años) que se sometieron a un trasplante de hígado para el CHC durante el período de enero de 2003 - diciembre de 2018.

Criterios de inclusión • Pacientes que se sometieron a un trasplante de hígado solo para un diagnóstico de CHC. Criterios de exclusión

• Pacientes con HCC descubierto incidentalmente en el hígado explantado (es decir, no se conocía el HCC antes del LT)

• Retrasplantaciones o trasplantes multiviscerales

• Pacientes con tumores distintos de HCC puro (como colangiocarcinoma, tumores mixtos de CHC-colangiocarcinoma, HCC fibrolamellar, etc.)

Recopilación/variables de datos Los datos requeridos para el análisis están presentes en la hoja de cálculo de Excel ya enviada a los centros involucrados. Las columnas en amarillo son obligatorias para calcular el puntaje.

Datos/Análisis estadístico:

Los datos de los trasplantes de CHC realizados del 1 de enero de 2003 al 31 de diciembre de 2018 se solicitarán de los centros invitados que los obtendrán de sus registros, incluida la revisión de la tabla electrónica. El último seguimiento permitido de los pacientes incluidos será el 31 de diciembre de 2023, ya que este es un diseño de estudio retrospectivo. La supervivencia del paciente se calculará desde la fecha de LT hasta la muerte del paciente (debido a cualquier causa). Si la muerte no ocurre, el paciente será censurado en su última fecha de vida conocida. El tiempo de recurrencia se calculará desde el trasplante hasta el primer estudio de imagen (o biopsia si corresponde) que confirmó la recurrencia tumoral. La demografía del paciente y las características clinicopatológicas se describirán utilizando estadísticas descriptivas utilizando medios, medianos y proporciones, cuando sea apropiado. La metodología exacta para el cálculo del modelo de predicción de algoritmo de aprendizaje automático, así como las comparaciones con los modelos publicados anteriormente, se ha descrito previamente en nuestro estudio de cohorte de desarrollo.10 Todos los análisis estadísticos se realizarán utilizando Python 3.10.1 (Bibliotecas: Pycox, Torch, Scikit-Learn y Lifeine).