Разработка прогностической модели для рака молочной железы I стадии

Цель работы – разработка прогностической модели на основании бинарной регрессии с целью определения вероятности прогрессирования рака молочной железы I клинической стадии.

Материалы и методы. Выполнен ретроспективный анализ данных 385 больных раком молочной железы стадии T1N0M0. Минимальный период наблюдения за пациентами составил 120 мес, максимальный – 256 мес, средний – 191 ± 36 мес (16 ± 3 года). При помощи прямого пошагового отбора (бинарная регрессия) были отобраны наиболее значимые прогностические факторы, на основании которых построена прогностическая модель «Алгоритм оценки риска рецидивирования карциномы молочной железы».

Результаты. За исследуемый период рецидив рака молочной железы I стадии был зарегистрирован у 67 пациенток, что составило 17,4 % от общей когорты. Путем бинарной регрессии были отобраны 5 прогностических факторов: степень дифференцировки опухоли, гистологический тип, экспрессия эстрогеновых рецепторов, гиперэкспрессия HER2 / neu и амплификация Ki-67. Анализ выживаемости по Каплану–Мейеру и пропорциональных рисков Кокса показал влияние каждого из отобранных факторов на безрецидивную выживаемость. Сравнительный анализ с другими существующими моделями продемонстрировал, что разработанная нами прогностическая модель уступает Adjuvant!Online только в плане чувствительности (85 % против 95 %), но при этом превосходит по специфичности (58 % против 38 %), PPV (69 % против 63 %) и AUC (84 % против 70 %).

Выводы. При раке молочной железы I стадии наиболее значимыми прогностическими факторами, влияющими на частоту рецидивирования, являются степень дифференцировки опухоли, гистологический тип, экспрессия эстрогеновых рецепторов, гиперэкспрессия HER2 / neu и амплификация Ki-67. Алгоритм оценки риска рецидивирования карциномы молочной железы I клинической стадии способен с чувствительностью 84 % и специфичностью 58 % (p <0,05) прогнозировать риск прогрессирования опухоли.

1. Nielsen T.O., Hsu F.D., Jensen K. et al. Immunohistochemical and clinical characterization of the basal-like subtype of invasive breast carcinoma. Clin Cancer Res 2004;10(16):5367–74. DOI: 10.1158/1078-0432.CCR-04-0220.

2. Cheang M.C.U., Voduc D., Bajdik C. et al. Basal-like breast cancer defined by five biomarkers has superior prognostic value than triple-negative phenotype. Clin Cancer Res 2008;14(5):1368–76. DOI: 10.1158/1078-0432.CCR-07-1658.

3. Coates A.S., Winer E.P., Goldhirsch A. et al. Tailoring therapies-improving the management of early breast cancer: St Gallen International Expert Consensus on the Primary Therapy of Early Breast Cancer 2015. Ann Oncol 2015;26(8): 1533–46. DOI: 10.1093/annonc/mdv221.

4. Ravdin P.M., Siminoff L.A., Davis G.J. et al. Computer program to assist in making decisions about adjuvant therapy for women with early breast cancer. J Clin Oncol 2001;19(4):980–91. DOI: 10.1200/JCO.2001.19.4.980.

5. Killelea B., Gallagher E., Feldman S. et al. The effect of modifiable risk factors on breast cancer aggressiveness among black and white women. Am J Surgery 2019;218(4):689–94. DOI: 10.1016/j.amjsurg.2019.07.012.

6. McCartney A., Vignoli A., Biganzoli L. et al. Metabolomics in breast cancer: A decade in review. Cancer Treat Rev 2018;67:88–96. DOI: 10.1016/j.ctrv.2018.04.012.

7. Cardoso F., Spence D., Mertz S. et al. Global analysis of advanced/metastatic breast cancer: decade report (2005–2015). Breast 2018;39:131–8. DOI: 10.1016/j.breast.2018.03.002.

8. Ванесян А.С. Изучение влияния реконструктивно-пластических операций на качество жизни больных раком молочной железы центральной и медиальной локализации. Креативная хирургия и онкология 2011;(4):42–7.

9. Procter M., Robertson C. Imputing missing quality of life data as covariate in survival analysis of the International Breast Cancer Study Group Trials VI and VII. Commun Stat Simul Comput 2019;48(2):580–90. DOI: 10.1080/03610918.2017.1390123.

10. Gradishar W., Anderson B. Breast cancer, version 4.2017, NCCN clinical practice guidelines in oncology. J Natl Compr Canc Netw 2018;16(3):310–20. DOI: 10.6004/jnccn.2018.0012.

11. Turner B.M., Gimenez-Sanders M.A., Soukiazian A. et al. Risk stratification of ER-positive breast cancer patients: A multi-institutional validation and outcome study of the Rochester Modified Magee algorithm (RoMMa) and prediction of an Oncotype DX® recurrence score <26. Cancer Med 2019;8(9):4176–88.

12. Xu Y., Kong S., Cheung W.Y. et al. Development and validation of case-finding algorithms for recurrence of breast cancer using routinely collected administrative data. BMC Cancer 2019;19(1):1–10. DOI: 10.1186/s12885-019-5432-8.

13. Chehade H., Wazir U., Mokbel K. Do online prognostication tools represent a valid alternative to genomic profiling in the context of adjuvant treatment of early breast cancer? A systematic review of the literature. Am J Surgery 2018;215(1):171–8. DOI: 10.1016/j.amjsurg.2017.05.006.

14. Phung T. Prognostic models for breast cancer: A systematic review and validation using New Zealand data. BMC Cancer 2019;19(1):230. DOI: 10.1186/s12885-019-5442-6.

15. Kim W., Kim K.S., Lee J.E. et al. Development of novel breast cancer recurrence prediction model using support vector machine. J Breast Cancer 2012;15(2):230–8. DOI: 10.4048/jbc.2012.15.2.230.