Саратовский научно-медицинский ЖУРНАЛ

Интегральный подход к дооперационному определению клинической значимости рака простаты

Резюме:

Цель; совершенствование ранней диагностики рака простаты (РПЖ) с помощью создания инструмента, способного прогнозировать его клиническую значимость на амбулаторном этапе. Материал и методы. На основе информации из историй болезни 398 пациентов, которым в период 2012-2014 гг. выполнялась трансректальная биопсия простаты (ТРБ) в онкологическом отделении КБ СГМУ, построена искусственная нейронная сеть (ИНС), набор выходных данных которой позволял прогнозировать соответствие РПЖ критериям Эпштейна и принадлежность его к определённой группе онкологического риска по Д'Амико. Внутренняя валидация производилась на основании данных 80 пациентов. Определены чувствительность, специфичность, положительная и отрицательная предиктивная ценность ИНС. Результаты. Точность прогнозирования наличия РПЖ в биоптате при валидации составила 93,75%; точность соответствия РПЖ критериям активного наблюдения составила 90%. Точность прогнозирования стадии Т (Т1с, Т2а, Т2Ь, Т2с) составила 57,1%. Соответствие прогнозируемой и реальной группы риска по Д'Амико наблюдалось в 70% случаев; для группы низкого онкологического риска точность составила 81.2%. Заключение. ИНС могут быть способны стратифицировать РПЖ по группе риска и клинической значимости ещё до биопсии.

Литература:
1. Murphy DG, Ahlering T, Catalona WJ, et al. The Melbourne Consensus Statement on the early detection of prostate cancer. BJU lnt2014Feb; 113(2): 186-8
2. Iremashvili V, Pelaez L, Manoharan M, et al. Pathologic prostate cancer characteristics in patients eligible for active surveillance: a head-to-head comparison of contemporary protocols. Eur Urol 2012 Sep; 62 (3): 462-8
3. Kryvenko ON, Carter HB, Trock BJ. Biopsy criteria for determining appropriateness for active surveillance in the modern era. Urology 2014 Apr; 83 (4): 869-74
4. Nguyen CT, Kattan MW. Formalized prediction of clinically significant prostate cancer: is it possible? Asian J Androl 2012 May; 14(3): 349-54
5. Ecke TH, Hallmann S, Koch S, et al. External validation of an artificial neural network and two nomograms for prostate cancer detection. ISRN Urol 2012; 2012: 643181
6. Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 152: 1923-26
7. Lawrentschuk N, Lockwood G, Davies P, et al.Predicting prostate biopsy outcome: artificial neural networks and polychot-omous regression are equivalent models. Int Urol Nephrol 2011 Mar; 43(1): 23-30
8. Попков В.M, Шатылко Т.В., Фомкин Р.Н. Прогнозирование результата патогистологического исследования простаты с помощью искусcтвенной нейронной сети. Саратовский научно-медицинский журнал 2014. 10 (2): 328-32
9. Шатылко Т.В., Седов Д.С. Серая зона PSA: статистико-математический анализ с применением метода искусственных нейронных сетей. Бюллетень медицинских интернет-конференций 2014; 4 (4): 417
10. Попков B.M., Шатылко Т.В., Королёв А.Ю. и др. Оптимизация PSA-скрининга с помощью искусственного интеллекта. Медицинский вестник Башкортостана 2015; 10 (3): 232-5
11. Попков B.M., Фомкин P.H., Блюмберг Б.И. Возможности прогнозирования рецидива рака простаты после HIFU-аблации с помощью математического моделирования. Саратовский научно-медицинский журнал 2013; 9 (2): 314-320.

Прикрепленный файлРазмер
2015_03_345-348.pdf302.33 кб

Голосов пока нет