Модель прогнозирования выживаемости у пациентов с низкозлокачественной серозной карциномой яичника: многоцентровое когортное исследование

<strong>Цель:</strong> Точное прогностическое предсказание по-прежнему представляет собой существенную проблему в ведении низкозлокачественной серозной карциномы яичника (LGSOC) — редкого гистологического подтипа с иным молекулярным профилем. Целью исследования было разработать модель прогнозирования, представленную в виде номограммы, для предсказания рецидива и исходов выживаемости у пациентов с LGSOC.

<strong>Методы:</strong> Проведен ретроспективный анализ пациентов с LGSOC; с помощью регрессионного анализа Кокса были определены факторы, связанные с рецидивом и выживаемостью, для последующей разработки модели прогнозирования. Точность модели и ее способность к различению оценивали по площади под кривой операционных характеристик приемника (AUC) и калибровочным кривым. Прогностическую эффективность модели сравнивали со стадированием Международной федерации гинекологии и акушерства (FIGO) с использованием индекса конкордантности (C-index), улучшения переклассификации по чистой пользе (NRI) и интегрированного улучшения дискриминации (IDI). Кроме того, на основе регрессионного анализа была разработана модель прогнозирования с использованием глубокого обучения, а ее эффективность оценивали с помощью анализа Каплана—Мейера и C-index.

<strong>Результаты:</strong> Проанализирована когорта из 155 пациентов с LGSOC; выявлены четыре независимых прогностических фактора, которые были включены в модель на основе регрессии Кокса. По данным калибровочных кривых модель продемонстрировала хорошую калибровку. При внутренней валидации модель показала лучшую дискриминирующую способность по сравнению со стадированием FIGO: C-index был выше как для безрецидивной выживаемости (0,781 против 0,689), так и для общей выживаемости (0,802 против 0,679), что дополнительно подтвердили значимые улучшения IDI и NRI. Кроме того, была разработана основанная на этой модели модель глубокого обучения для оценки возможных нелинейных связей. Эта модель достигла еще более высокой прогностической эффективности, с C-index 0,907 для безрецидивной выживаемости и 0,922 для общей выживаемости.

<strong>Выводы:</strong> Мы разработали модель прогнозирования риска, представленную в виде клинически удобной номограммы для предсказания рецидива и исходов выживаемости у пациентов с LGSOC. Кроме того, была разработана основанная на нейросетях модель прогнозирования с использованием глубокого обучения, обеспечившая более точную прогностическую оценку у этих пациентов.