Validatie van de trein-AI voor het risico van HCC-recidief na levertransplantatie (TRAIN-AI)

Levertransplantatie (LT) is de beste behandelingsoptie voor patiënten met vroege stadia van hepatocellulair carcinoom (HCC) .1 Het gebruik van LT hangt echter af van het handhaven van een evenwicht tussen het risico van herhaling na transplantatie of HCC-gerelateerde dood en de billijke verdeling van orgaandonoren.2-5 Huidige selectiecriteria zijn bedoeld om de futiliteit van transplantatie te voorkomen door patiënten uit te sluiten van LT die een hoog risico lopen op tumorherhaling. Het is aangetoond dat het selecteren van patiënten binnen de Milaan -criteria uitstekende patiëntresultaten oplevert.6,7 Deze criteria zijn echter aangevochten door andere series die gelijkwaardige resultaten vertonen voor patiënten die zijn getransplanteerd met een grotere tumorlast. Een combinatie van morfologische (d.w.z. tumornummer en grootte) en biologische kenmerken is onlangs voorgesteld met de intentie om het selectieproces van de patiënt te implementeren.8,9 Machine learning vertegenwoordigt een statistisch hulpmiddel dat de prognostische vaardigheden van een veel klinisch beschikbare variabelen kan benutten. Onlangs is de Train-AI voorgesteld, en een post-transplantatie HCC Recurrence Risk-calculator met behulp van machine learning op basis van de Train-AI-score is beschikbaar.10 We proberen de generaliseerbaarheid van dit machine learning -model naar andere instellingen te onderzoeken via een validatiestudie.

Studie -doelen en objectief:

Het primaire doel van deze studie zal zijn om onze eerder gerapporteerde trein-AI-score te valideren met behulp van externe datasets van andere HCC-centra.

Studieontwerp en methodologie:

Valideer het Train-AI-model door het te vergelijken met andere beschikbare recidiefrisico-algoritmen op een uitgehouden testset. Train-AI wordt vergeleken met Milan-criteria, Criteria van San Francisco, up-to-zeven criteria, TBS, Metroticket 2.0-score, halt-HCC-score, AFP-French-model, 5-5-500 rol, NYCA-score en treinscore .

Studiepopulatie volwassenen (≥ 18 jaar oud) die in de periode januari 2003 - december 2018 levertransplantatie voor HCC ondergingen.

Inclusiecriteria • Patiënten die alleen levertransplantatie ondergingen voor een diagnose van HCC. Uitsluitingscriteria

• Patiënten met incidenteel ontdekte HCC op de explanted lever (d.w.z. de HCC was niet bekend vóór de LT)

• Retransplantaties of multiviscerale transplantaties

• Patiënten met andere tumoren dan puur HCC (zoals cholangiocarcinoom, gemengde HCC-cholangiocarcinoomtumoren, fibrolamellaire HCC enz.)

Gegevensverzameling/variabelen De gegevens die nodig zijn voor de analyse zijn aanwezig in het Excel -spreadblad dat al naar de betrokken centra is verzonden. De kolommen in geel zijn verplicht voor het berekenen van de score.

Gegevens/statistische analyse:

Gegevens van HCC -transplantaties die van 1 januari 2003 tot 31 december 2018 worden uitgevoerd, zullen worden aangevraagd bij de uitgenodigde centra die ze uit hun records zullen verkrijgen, waaronder elektronische kaartbeoordeling. De laatst toegestane follow-up van opgenomen patiënten is 31 december 2023, omdat dit een retrospectief onderzoeksontwerp is. De overleving van de patiënt zal worden berekend vanaf de datum van LT tot overlijden van de patiënt (vanwege enige oorzaak). Als de dood niet optreedt, wordt de patiënt gecensureerd op zijn laatst bekende levende datum. De tijd tot herhaling wordt berekend uit transplantatie naar de eerste beeldvormingsstudie (of indien nodig biopsie) die tumorherhaling bevestigde. Demografie van de patiënt en klinisch -pathologische kenmerken zullen worden beschreven met behulp van beschrijvende statistieken met behulp van middelen, mediaan en verhoudingen, waar nodig. De exacte methodologie voor de berekening van het voorspellingsmodel voor machine learning-algoritme, evenals de vergelijkingen met eerder gepubliceerde modellen, is eerder beschreven in onze ontwikkelingscohortstudie.10 Alle statistische analyses worden uitgevoerd met behulp van Python 3.10.1 (bibliotheken: Pycox, Torch, Scikit-Learn en Lifelines).