Random Survival Forest quantifies intra-stage heterogeneity of recurrence-free survival after curative gastrectomy: a single-center cohort study

Wanneer een chirurg een maagtumor verwijdert, is het pathologierapport de eerste kaart van de toekomst. Dit rapport wijst een stadium toe aan de kanker, een label gebaseerd op hoe diep de tumor groeide en of deze de nabijgelegen lymfeklieren had bereikt. Decennialang was dit systeem de standaardmanier voor artsen om te gokken hoe groot de kans is dat de kanker bij een patiënt terugkeert. Het groepeert patiënten samen, uitgaande van het principe dat iedereen met hetzelfde label voor dezelfde risico's staat. Maar biologie is zelden zo netjes. Twee mensen kunnen exact hetzelfde stadium-label dragen, maar toch zeer verschillende uitkomsten hebben, omdat de onzichtbare details van hun specifieke ziekte variëren op manieren die de standaardlabels niet kunnen zien. De vraag voor de moderne geneeskunde is of we voorbij de brede categorieën kunnen kijken om de unieke risico's van elk individu te zien, waardoor zorg mogelijk wordt die is afgestemd op de persoon in plaats van op de groep.

Een team van onderzoekers aan één enkel medisch centrum zette zich af om deze vraag te beantwoorden voor patiënten bij wie een succesvolle operatie ter verwijdering van maagkanker was uitgevoerd. Zij richtten zich op een specifieke groep patiënten wier tumoren waren uitgezaaid naar nabijgelegen lymfeklieren, maar nog niet naar verre organen, een reeks van ernst die bekend staat als stadia IIA tot IIIC. Terwijl het standaard systeem iedereen in deze stadia behandelt als een patiënt met een vergelijkbaar risicoprofiel, vermoedden de onderzoekers dat er binnen deze groepen significante verborgen verschillen bestonden. Om deze te vinden, maakten zij gebruik van een computermethode genaamd een Random Survival Forest. Dit is geen bos van bomen, maar een digitaal hulpmiddel dat vele verschillende beslissingspaden bouwt om patronen in complexe gegevens te vinden, vergelijkbaar met het vragen aan honderd verschillende experts om een mening te geven over een enkele casus en vervolgens het gemiddelde van hun antwoorden te nemen.

De onderzoekers verzamelden gegevens van 4edes 486 patiënten bij wie de kanker tussen 2008 en 2020 was verwijderd. Ze voerden de computer tien verschillende stukken informatie over elke patiënt, inclus_ief details over de tumor en de gezondheid van de patiënt, om te zien of het model kon voorspellen wie drie en vijf jaar kanker vrij zou blijven. Ze leerden het model eerst de gegevens uit de eerdere jaren en testten het vervolgens op patiënten uit de latere jaren om te waarborgen dat het nieuwe gevallen kon afhandelen. De resultaten toonden aan dat het computermodel beter in staat was de toekomst te voorspellen dan de standaard stadium-labels alleen. Waar het traditionele systeem een ruwe schatting gaf, kon het nieuwe model onderscheid maken tussen patiënten die zeer waarschijnlijkelijk kanker vrij zouden blijven en patiënten bij wie de kans op een terugkeer van de ziekte groot was, zelfs wanneer zij hetzelfde officiële stadium deelden.

De meest opvallende ontdekking was hoe het risico varieerde binnen de middenstadia van de ziekte. Voor patiënten in de stadia II tot IIIB onthulde het model een grote kloof in de uitkomsten. Sommige patiënten in deze groepen hadden een zeer lage kans op recidive, terwijl anderen een veel hogere kans hadden, met een verschil van tien tot vijftien procentpunten tussen de laagste en hoogste risicogroepen. Dit betekent dat twee mensen met hetzelfde stadium-label een heel andere toekomst kunnen hebben, een feit dat het oude systeem volledig miste. Echter, het model stelde vast dat voor de meest ernstige groep, stadium IIIC, het risico uniform hoog was. Iedereen in deze groep werd geconfronteerd met een zware last van recidive, en het computermodel bevestigde dat het standaard stadium-label al goed werk leverde door hen als hoog risico te identificeren. Er zat geen verborgen laag-risicogroep verscholen in deze categorie.

Dit werk suggereert dat voor de middenstadia van maagkanker het huidige systeem te onnauwkeurig is. Het behandelt een diverse groep patiënten alsoverlijk als zij allemaal hetzelfde zijn, wat potentieel kan leiden tot ofwel onnodige bezorgdheid, ofwel onvoldoende monitoring. De nieuwe aanpak biedt een manier om deze patiënten nauwkeuriger te sorteren, waarbij wordt geïdentificeerd wie nauwere controle nodig heeft en wie veilig kan zijn met standaardzorg. De onderzoekers merken op dat hun bevindingen gebaseerd zijn op een enkel centrum en gecontroleerd moeten worden door andere ziekenhuizen om te bevestigen dat ze overal standhouden. Tot die tijd biedt deze studie een duidelijk ijkpunt voor hoe technologie op een dag artsen kan helpen om voorbij brede labels te gaan en de specifieke realiteit van de ziekte van elke individuele patiënt te begrijpen.