Development and external evaluation of MRI and clinical models for pathological complete response in breast cancer
Questo studio ha rilevato che l'aggiunta di riassunti del segnale MRI pre-trattamento fissi ai modelli clinici non ha migliorato significativamente la predizione esterna della risposta patologica completa nel carcinoma mammario, suggerendo che sia necessaria un'ulteriore valutazione della calibrazione, dell'incertezza e dell'utilità clinica prima che tali dati MRI possano essere utilizzati per la comunicazione della risposta al trattamento.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Prima che una donna si sottoponga a un intervento chirurgico per il tumore al seno, i medici spesso somministrano farmaci potenti per restringere prima il tumore. Questo approccio, noto come terapia neoadiuvante, può talvolta eliminare completamente il cancro, un risultato che i medici chiamano "risposta patologica completa". Quando ciò accade, il tumore scompare così completamente che un patologo non riesce a trovare cellule cancerose rimanenti al microscopio. Raggiungere questo esito è una grande vittoria, poiché è collegato a una migliore sopravvivenza a lungo termine, specialmente per i tipi più aggressivi della malattia. Tuttavia, prevedere chi raggiungerà questa scomparsa totale prima ancora di iniziare il trattamento è difficile. Attualmente, i medici si affidano a informazioni di base come l'età della paziente e i marcatori biologici specifici del tumore per fare queste stime. La domanda è stata a lungo se aggiungere un esame dettagliato del tumore tramite risonanza magnetica (RM) potesse rendere queste previsioni significativamente più accurate, permettendo conversazioni più personalizzate tra medici e pazienti su cosa aspettarsi.
Un ricercatore del King's College London ha deciso di rispondere a questa domanda costruendo e testando modelli informatici progettati per prevedere questo esito. Lo studio non ha coinvolto nuovi pazienti o nuove scansioni; ha invece utilizzato dati esistenti e anonimizzati provenienti da due grandi e ben note sperimentazioni sul tumore al seno. Il ricercatore ha prima costruito gli strumenti di previsione utilizzando i dati di quasi mille pazienti della sperimentazione I-SPY2. A questi modelli sono state fornite due tipologie di informazioni. La prima era un profilo clinico standard: l'età della paziente e lo stato di tre recettori chiave sulle cellule cancerose, che determinano come il tumore si comporta e risponde al trattamento. Il secondo tipo di informazione proveniva dalle scansioni RM effettuate prima dell'inizio del trattamento. Nello specifico, il modello analizzava dodici misurazioni specifiche derivate dai pattern di luminosità e contrasto del tumore nella scansione, riassumendo l'aspetto del tumore senza misurarne l'esatta dimensione o forma.
L'obiettivo era vedere se l'aggiunta di queste dodici misurazioni RM alle informazioni di base su età e recettori avrebbe migliorato la capacità del modello di indovinare l'esito. Per testarlo equamente, il ricercatore ha preso i modelli che erano stati costruiti e li ha "congelati", ovvero bloccati in posizione e non modificabili. Questi modelli congelati sono stati poi applicati a un gruppo completamente separato di 166 pazienti della più vecchia sperimentazione I-SPY1, un gruppo che i modelli non avevano mai visto prima. Questo passaggio è fondamentale perché testa se il modello funzioni in un contesto diverso o se abbia semplicemente memorizzato i pattern del primo gruppo. Il ricercatore ha confrontato le prestazioni del modello che utilizzava solo l'età e i recettori rispetto al modello che includeva anche i dati della RM.
I risultati hanno mostrato che l'aggiunta dei dati RM non ha portato miglioramenti nella previsione. Di fatto, il modello che utilizzava solo le informazioni cliniche di base è risultato leggermente migliore di quello che includeva i dati della risonanza magnetica quando testato sul nuovo gruppo di pazienti. Il modello con i dati della RM non ha fornito una stima più accurata della probabilità di una risposta completa. Inoltre, lo studio ha esaminato quanto fossero stabili queste previsioni. Se il ricercatore avesse costruito il modello di nuovo utilizzando un set leggermente diverso di pazienti dallo stesso pool, le previsioni per un singolo paziente sarebbero cambiate drasticamente? L'analisi ha rivelato che le previsioni del modello che includeva la RM erano molto meno stabili. La probabilità stimata di guarigione per un paziente specifico poteva oscillare di quasi nove punti percentuali semplicemente cambiando il gruppo di persone utilizzato per costruire il modello, mentre il modello più semplice era molto più coerente.
Lo studio ha anche esaminato quanto bene i modelli calibrassero le loro previsioni. Un buon modello non dovrebbe solo classificare correttamente i pazienti, ma anche prevedere probabilità che corrispondano alla realtà. Ad esempio, se un modello prevede che il 30 percento dei pazienti avrà una risposta completa, allora circa il 30 percento di essi dovrebbe effettivamente ottenerla. In questo studio, tutti i modelli tendevano a sovrastimare le probabilità di successo, prevedendo una probabilità di guarigione superiore rispetto a quella effettivamente osservata nei pazienti. Il modello che includeva i dati della RM era particolarmente incline a questa sovrastima. I ricercatori hanno concluso che, sebbene le scansioni RM contengano una vasta quantità di informazioni, il modo specifico in cui queste dodici misurazioni sono state riassunte e aggiunte ai dati clinici di base non ha aiutato. Lo studio ha esplicitamente escluso l'idea che questo specifico riassunto compatto della RM offra un miglioramento affidabile per la previsione della risposta al trattamento in questo contesto.
In definitiva, la ricerca suggerisce che, ai fini di comunicare a una paziente le sue specifiche probabilità di una guarigione completa prima dell'inizio del trattamento, l'aggiunta di questi riassunti fissi della RM all'età e allo stato dei recettori non fornisce un chiaro beneficio. Lo studio ha rilevato che i dati della RM non hanno migliorato l'accuratezza delle previsioni né hanno reso i modelli più affidabili. I ricercatori hanno sottolineato che, prima che tali strumenti possano essere utilizzati per guidare decisioni o conversazioni mediche difficili, dovrebbero dimostrare una migliore accuratezza in test esterni e mostrare che le loro previsioni rimangono stabili. Fino ad allora, la complessità aggiunta dei dati della RM non giustifica il loro uso rispetto alle informazioni cliniche più semplici e coerenti per questo specifico compito di previsione.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.