Validation du train-AI pour le risque de récidive du CHC après une transplantation hépatique (TRAIN-AI)

La transplantation hépatique (LT) est la meilleure option de traitement pour les patients présentant des stades précoces de carcinome hépatocellulaire (HCC) .1 .1 Cependant, l'utilisation de LT dépend du maintien d'un équilibre entre le risque de récidive post-transplantation ou de décès lié au CHC et la distribution équitable des donneurs d'organes.2-5 Les critères de sélection actuels visent à éviter la futilité de la transplantation en excluant les patients de LT qui présentent un risque élevé de récidive tumorale. Il a été démontré que la sélection des patients dans les critères de Milan fournit d'excellents résultats pour les patients.6,7 Cependant, ces critères ont été contestés par d'autres séries montrant des résultats équivalents pour les patients transplantés avec une charge tumorale plus importante. Une combinaison de caractéristiques morphologiques (c.-à-d. Le nombre de tumeurs) et les caractéristiques biologiques a récemment été proposée dans l'intention de mettre en œuvre le processus de sélection des patients. L'apprentissage automatique représente un outil statistique qui peut tirer parti des capacités pronostiques de nombreuses variables cliniquement disponibles. Récemment, le Train-AI a été proposé et une calculatrice de risques de récidive HCC post-transplantation utilisant l'apprentissage automatique basé sur le score Train-AI est disponible.10 Nous cherchons à explorer la généralisation de ce modèle d'apprentissage automatique à d'autres institutions grâce à une étude de validation.

Étude des objectifs et de l'objectif:

L'objectif principal de cette étude sera de valider notre score Train-AI précédemment signalé en utilisant des ensembles de données externes d'autres centres de CHC.

Conception et méthodologie de l'étude:

Validez le modèle Train-AI en le comparant à d'autres algorithmes de risque de récidive disponibles sur un ensemble de tests tenu. Train-AI sera comparé aux critères de Milan, aux critères de San Francisco, aux critères de sept ans, TBS, score Metroticket 2.0, score Halt-HCC, modèle AFP-French, rôle 5-5-500, score NYCA et score Train .

Population d'étude Les adultes (≥ 18 ans) qui ont subi une transplantation hépatique pour le CHC au cours de la période janvier 2003 - décembre 2018.

Critères d'inclusion • Les patients qui ont subi une transplantation hépatique seul pour un diagnostic de CHC. Critères d'exclusion

• Les patients atteints de CHC découvert accidentellement sur le foie explanté (c'est-à-dire que le CHC n'était pas connu avant le LT)

• retransplantations ou transplantations multiviscérales

• Les patients atteints de tumeurs autres que le CHC pur (comme le cholangiocarcinome, les tumeurs mixtes du HCC-cholangiocarcinome, le HCC fibrolamellaire, etc.)

Collecte de données / Variables Les données requises pour l'analyse sont présentes dans la feuille de propagation Excel déjà envoyée aux centres impliqués. Les colonnes en jaune sont obligatoires pour calculer le score.

Données / analyse statistique:

Les données des transplantations HCC effectuées du 1er janvier 2003 au 31 décembre 2018 seront demandées aux centres invités qui les obtiendront à partir de leurs dossiers, y compris l'examen des graphiques électroniques. Le dernier suivi autorisé des patients inclus sera le 31 décembre 2023, car il s'agit d'une conception d'étude rétrospective. La survie des patients sera calculée à partir de la date de la LT à la mort du patient (pour toute cause). Si le décès ne se produit pas, le patient sera censuré à sa dernière date vivante connue. Le délai de récidive sera calculé de la transplantation à la première étude d'imagerie (ou biopsie le cas échéant) qui a confirmé la récidive tumorale. La démographie des patients et les caractéristiques clinicopathologiques seront décrites en utilisant des statistiques descriptives utilisant des moyennes, des médianes et des proportions, le cas échéant. La méthodologie exacte pour le calcul du modèle de prédiction de l'apprentissage machine-algorithme, ainsi que les comparaisons avec les modèles publiés précédemment, ont été précédemment décrites dans notre étude de cohorte de développement.10 Toutes les analyses statistiques seront effectuées à l'aide de Python 3.10.1 (bibliothèques: pycox, torche, scikit-learn et vielines).