Модели прогнозирования риска рака молочной железы у женщин с семейным анамнезом заболевания

Введение: У женщин с семейным анамнезом рака молочной железы риск развития заболевания повышен. В клинической практике вероятность развития рака молочной железы за заданный период нередко оценивают с помощью моделей прогнозирования риска, однако неясно, какая из доступных моделей лучше всего работает у женщин с семейным анамнезом заболевания.

Цель: Определить, описать и оценить модели прогнозирования риска рака молочной железы, разработанные или валидированные у женщин с семейным анамнезом рака молочной железы, а также выполнить метаанализ их прогностической эффективности.

Методы: Мы провели поиск в MEDLINE, Embase, Cumulative Index to Nursing and Allied Health Literature и Web of Science Institute of Scientific Information до февраля 2022 года, а также дополнительный целевой поиск в MEDLINE до 19 декабря 2024 года, чтобы выявить дополнительные исследования валидации включённых моделей. Кроме того, мы просмотрели списки литературы включённых исследований.

Мы включали исследования, в которых разрабатывали или валидировали модель(и) прогнозирования риска рака молочной железы у женщин с семейным анамнезом рака молочной железы, если семейный анамнез рака молочной железы входил в число предикторов модели(ей).

Форму извлечения данных мы составили на основе контрольного списка CHARMS. Два автора независимо просматривали источники, извлекали данные и оценивали риск систематической ошибки с помощью инструмента Prediction model Risk Of Bias ASsessment Tool (PROBAST). Мы суммировали модели прогнозирования риска, разработанные или валидированные в целевой популяции. Если показатели эффективности были представлены как минимум в четырёх исследованиях, мы объединяли показатели эффективности модели с помощью метаанализа со случайными эффектами. Эффективность модели оценивали по калибровке (согласованности между прогнозируемыми рисками и фактическими случаями рака молочной железы) и дискриминации (способности различать женщин, у которых рак молочной железы развился и не развился). GRADE мы не применяли, поскольку руководство для обзоров прогностических моделей пока отсутствует.

Результаты: Мы включили 45 исследований и ещё 17 отнесли к ожидающим классификации. В целевой популяции мы выявили 12 внешне валидированных моделей. Метаанализ был выполнен для четырёх моделей, по которым имелось не менее четырёх исследований внешней валидации. Представление данных в исследованиях различалось. В ряде работ недостаточно полно сообщали о сроках наблюдения или обработке пропущенных данных. В большинстве исследований внешней валидации был представлен как минимум один показатель эффективности (калибровка или дискриминация), хотя в некоторых не сообщали оба показателя одновременно. Нередко отсутствовали базовые сведения, например о валидированной версии модели. По оценке PROBAST большинство исследований имели высокий или неясный риск систематической ошибки, хотя опасения относительно применимости в целом были низкими. Ниже приведены результаты для четырёх моделей, по которым имелись данные как минимум из четырёх исследований внешней валидации в целевой популяции.

Gail/ Breast Cancer Risk Assessment Tool (BCRAT). Калибровка: объединённое отношение наблюдаемых (O) к ожидаемым (E) случаев для модели Gail (объединённые версии) в целевой популяции составило 1,06 (95% доверительный интервал (ДИ) 0,91–1,25), что указывает на хорошую калибровку модели в этой популяции. 95% интервал предсказания (ИП) составил 0,65–1,74. Дискриминация: объединённая оценка C-статистики для модели Gail (объединённые версии) в целевой популяции составила 0,61 (95% ДИ 0,57–0,66). 95% ИП составил 0,47–0,74.

Tyrer-Cuzick/International Breast Cancer Intervention Study (IBIS). Калибровка: объединённая оценка отношения O/E для модели Tyrer-Cuzick в целевой популяции составила 0,86 (95% ДИ 0,74–0,98) (объединённые версии) и 0,90 (95% ДИ 0,76–1,06) (версия 8), что указывает на завышение риска рака молочной железы в этой популяции. 95% ИП составил 0,56–1,33 (объединённые версии) и 0,55–1,47 (версия 8). Дискриминация: объединённая оценка C-статистики для модели Tyrer-Cuzick (объединённые версии) в целевой популяции составила 0,62 (95% ДИ 0,58–0,66). 95% ИП составил 0,49–0,74. Объединённая C-статистика для версии 8 модели Tyrer-Cuzick составила 0,64 (95% ДИ 0,58–0,71). 95% ИП составил 0,46–0,79.

Breast and Ovarian Analysis of Disease Incidence and Carrier Estimation Algorithm (BOADICEA). Калибровка: объединённая оценка отношения O/E для BOADICEA (объединённые версии) в целевой популяции составила 0,98 (95% ДИ 0,90–1,17), что указывает на хорошую калибровку модели в этой популяции. 95% ИП составил 0,89–1,09. Дискриминация: объединённая оценка C-статистики для BOADICEA (объединённые версии) в целевой популяции составила 0,65 (95% ДИ 0,58–0,71). 95% ИП составил 0,44–0,81.

BRCAPRO. Калибровка: объединённая оценка отношения O/E для модели BRCAPRO (объединённые версии) в целевой популяции составила 1,44 (95% ДИ 1,25–1,62), что указывает на недооценку риска рака молочной железы в этой популяции. 95% ИП составил 1,02–2,04. Дискриминация: объединённая оценка C-статистики для BRCAPRO (объединённые версии) в целевой популяции составила 0,64 (95% ДИ 0,54–0,73). 95% ИП составил 0,37–0,84.

Выводы: Наши метаанализы показали, что модели Gail (BCRAT) и BOADICEA хорошо откалиброваны у женщин с семейным анамнезом рака молочной железы. Модель Tyrer-Cuzick (IBIS) завышает риск, а BRCAPRO — занижает риск в этой популяции. С точки зрения дискриминационной точности в целевой популяции ни одна модель не была явно лучше других. Версия 8 Tyrer-Cuzick, BOADICEA и BRCAPRO показали сходную умеренную дискриминацию в наших метаанализах, несколько лучшую, чем у модели Gail. Если учитывать калибровку и дискриминацию вместе, наши результаты указывают на то, что модель BOADICEA хорошо откалибрована в этой популяции и демонстрирует сходную (умеренную) дискриминационную точность с Tyrer-Cuzick (версия 8) и BRCAPRO, что позволяет предположить её полезность для ведения пациенток в условиях оценки риска семейного рака молочной железы. Однако это нельзя считать окончательным выводом: большинство включённых исследований мы расценили как имеющие высокий или неясный риск систематической ошибки; число исследований валидации, включённых в метаанализы, было небольшим (≤ 10 для каждой модели); кроме того, исследования различались по горизонту прогнозирования и составу выборки. Сохраняется необходимость в улучшении дискриминационной способности существующих моделей прогнозирования риска рака молочной железы у женщин с семейным анамнезом заболевания. Описание исследований прогностических моделей в настоящее время остаётся недостаточным.

Финансирование: Частично финансировалось Health Research Board Cochrane Training Fellowship. Регистрация: Протокол (2018) DOI: 10.1002/14651858.CD013185.