Convalida del treno-AI per il rischio di recidiva di HCC dopo trapianto di fegato (TRAIN-AI)

Il trapianto di fegato (LT) è la migliore opzione di trattamento per i pazienti con fasi iniziali del carcinoma epatocellulare (HCC) .1 Tuttavia, l'uso di LT dipende dal mantenimento di un equilibrio tra il rischio di recidiva post-trapianto o morte correlata all'HCC e la distribuzione equa dei donatori di organi.2-5 Gli attuali criteri di selezione mirano a evitare l'inutilità del trapianto escludendo i pazienti da LT che sono ad alto rischio di recidiva del tumore. La selezione dei pazienti all'interno dei criteri di Milano ha dimostrato di fornire eccellenti risultati dei pazienti. 6,7 Tuttavia, questi criteri sono stati sfidati da altre serie che mostrano risultati equivalenti per i pazienti trapiantati con un maggiore onere del tumore. Una combinazione di caratteristiche morfologiche (cioè, numero e dimensioni del tumore) e biologiche è stata recentemente proposta con l'intento di implementare il processo di selezione dei pazienti.8,9 L'apprendimento automatico rappresenta uno strumento statistico in grado di sfruttare le capacità prognostiche di molte variabili clinicamente disponibili. Recentemente, il treno-AI è stato proposto e è disponibile un calcolatore a rischio di recidiva HCC post-trapianto che utilizza l'apprendimento automatico in base al punteggio Train-Ai.10 Stiamo cercando di esplorare la generalizzabilità di questo modello di apprendimento automatico ad altre istituzioni attraverso uno studio di validazione.

Studio obiettivi e obiettivi:

L'obiettivo principale di questo studio sarà quello di convalidare il nostro punteggio treno-AI precedentemente riportato utilizzando set di dati esterni di altri centri HCC.

Design e metodologia dello studio:

Convalida il modello Train-Ai confrontandolo con altri algoritmi di rischio di ricorrenza disponibili su un set di test resiste. Train-Ai verrà confrontato con i criteri di Milano, i criteri di San Francisco, i criteri aggiornati, i TBS, il punteggio MetroTicket 2.0, il punteggio HALT-HCC, il modello AFP-French, il ruolo di 5-5-500, il punteggio di NYCA e il punteggio del treno .

Studio della popolazione di adulti (≥ 18 anni) sottoposti a trapianto di fegato per HCC nel periodo gennaio 2003 - dicembre 2018.

Criteri di inclusione • I pazienti sottoposti a trapianto di fegato da soli per una diagnosi di HCC. Criteri di esclusione

• I pazienti con HCC scoperto per inciso sul fegato espianto (cioè l'HCC non era noto prima del LT)

• Retrasplantazioni o trapianti multiviscerali

• Pazienti con tumori diversi dall'HCC puro (come colangiocarcinoma, tumori misti di HCC-colangiocarcinoma HCC, HCC fibrolamellare ecc.)

Raccolta/variabili dei dati I dati richiesti per l'analisi sono presenti nel foglio di calcolo Excel già inviato ai centri coinvolti. Le colonne in giallo sono obbligatorie per il calcolo del punteggio.

Dati/Analisi statistica:

I dati dei trapianti di HCC eseguiti dal 1 ° gennaio 2003 al 31 dicembre 2018 saranno richiesti dai centri invitati che li otterranno dai loro record tra cui la revisione elettronica del grafico. L'ultimo follow-up consentito dei pazienti inclusi sarà il 31 dicembre 2023, in quanto si tratta di un progetto di studio retrospettivo. La sopravvivenza del paziente verrà calcolata dalla data di LT alla morte del paziente (a causa di qualsiasi causa). Se la morte non si verifica, il paziente verrà censurato alla loro ultima data viva. Il tempo di recidiva verrà calcolato dal trapianto al primo studio di imaging (o biopsia, se appropriato) che ha confermato la ricorrenza del tumore. I dati demografici dei pazienti e le caratteristiche clinicopatologiche saranno descritti usando statistiche descrittive usando mezzi, mediane e proporzioni, se appropriato. La metodologia esatta per il calcolo del modello di previsione dell'algoritmo di apprendimento automatico, nonché i confronti con i modelli precedentemente pubblicati, è stata precedentemente delineata nel nostro studio di coorte di sviluppo.10 Tutte le analisi statistiche verranno eseguite utilizzando Python 3.10.1 (librerie: Pycox, Torch, Scikit-Learn e LifeLines).