Validação do trem-AI para o risco de recorrência do HCC após o transplante de fígado (TRAIN-AI)

O transplante de fígado (LT) é a melhor opção de tratamento para pacientes com estágios iniciais do carcinoma hepatocelular (HCC) .1 No entanto, o uso de LT depende de manter um equilíbrio entre o risco de recorrência pós-transplante ou morte relacionada ao HCC e a distribuição equitativa dos doadores de órgãos.2-5 Os critérios de seleção atuais visam evitar a futilidade do transplante, excluindo pacientes do LT que correm um alto risco de recorrência do tumor. A seleção de pacientes dentro dos critérios de Milão demonstrou proporcionar excelentes resultados dos pacientes.6,7 No entanto, esses critérios foram desafiados por outras séries, mostrando resultados equivalentes para pacientes transplantados com uma maior carga de tumor. Uma combinação de características morfológicas (isto é, número e tamanho do tumor) e biológico foi recentemente proposto com a intenção de implementar o processo de seleção de pacientes.8,9 O aprendizado de máquina representa uma ferramenta estatística que pode aproveitar as habilidades prognósticas de muitas variáveis ​​clinicamente disponíveis. Recentemente, o trem-AI foi proposto e uma calculadora de risco de recorrência do HCC pós-transplante usando o aprendizado de máquina com base na pontuação do trem-AI está disponível.10 Estamos buscando explorar a generalização deste modelo de aprendizado de máquina para outras instituições por meio de um estudo de validação.

Estudo objetivos e objetivos:

O objetivo principal deste estudo será validar nossa pontuação de trem-AI relatada anteriormente usando conjuntos de dados externos de outros centros de HCC.

Desenho e metodologia do estudo:

Validar o modelo de trem-AI comparando-o a outros algoritmos de risco de recorrência disponíveis em um conjunto de testes de retirada. O trem-AI será comparado com os critérios de Milão, os critérios de São Francisco, critérios atualizados, TBS, MetroTicket 2.0, pontuação HALT-HCC, modelo AFP-FRANCH, 5-5-500, pontuação da NYCA e pontuação do trem .

Estudar adultos da população (≥ 18 anos de idade) submetidos a transplante de fígado para o CHC durante o período de janeiro de 2003 a dezembro de 2018.

Critérios de inclusão • Pacientes submetidos a transplante de fígado sozinho para o diagnóstico de CHC. Critérios de exclusão

• Pacientes com HCC incidentalmente descobertos no fígado explantado (ou seja, o HCC não era conhecido antes do LT)

• retransplantes ou transplantes multiviscares

• Pacientes com tumores que não sejam o HCC puro (como colangiocarcinoma, tumores mistos de HCC-colangiocarcinoma, fibrolamelar HCC etc.)

Coleta/variáveis ​​de dados Os dados necessários para a análise estão presentes na planilha do Excel já enviada aos centros envolvidos. As colunas em amarelo são obrigatórias para calcular a pontuação.

Análise de dados/estatísticos:

Os dados dos transplantes de HCC realizados de 1º de janeiro de 2003 a 31 de dezembro de 2018 serão solicitados aos centros convidados que os obterão de seus registros, incluindo a revisão eletrônica do gráfico. O último acompanhamento permitido dos pacientes incluídos será em 31 de dezembro de 2023, pois este é um desenho retrospectivo do estudo. A sobrevida do paciente será calculada a partir da data do LT até a morte do paciente (devido a qualquer causa). Se a morte não ocorrer, o paciente será censurado em sua última data conhecida. O tempo de recorrência será calculado a partir do transplante para o primeiro estudo de imagem (ou biópsia, se apropriado), que confirmou a recorrência do tumor. A demografia dos pacientes e as características clínico -patológicas serão descritas usando estatísticas descritivas usando meios, medianas e proporções, quando apropriado. A metodologia exata para o cálculo do modelo de previsão de algoritmo de aprendizado de máquina, bem como as comparações com os modelos publicados anteriormente, foi anteriormente descrito em nosso estudo de coorte de desenvolvimento.10 Todas as análises estatísticas serão realizadas usando o Python 3.10.1 (bibliotecas: Pycox, Torch, Scikit-Learn e LifeLelas).