Individualised and Time-Dependent Prediction of Recurrence After Colorectal Cancer Liver Metastases Resection
本研究验证并重新校准了七种已建立的结直肠癌肝转移风险评分,以生成个体化的、随时间变化的复发概率,这些概率现已可通过在线 PLATO 工具获取,旨在支持临床决策及未来的模型基准测试。
原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
当癌症从结肠转移到肝脏时,医生通常有一条清晰的路径:通过手术切除可见的肿瘤。这种手术可以达到治愈效果,为患者提供长寿的机会。然而,人体是一个复杂的场所,在外科医生缝合伤口后,微小的疾病种子往往仍隐藏其中。这些隐藏的细胞可能会重新生长,导致癌症复发。几十年来,医疗团队一直依赖于广泛的风险类别来猜测谁可能面临复发。他们将患者简单地归入“低风险”或“高风险”等类别,其依据是如肿瘤数量或出现速度等因素。虽然这些类别提供了大致的方向,但它们难以回答每个患者都会问的具体问题:“我未来一年或未来三年的实际康复几率是多少?”
来自瑞典和挪威的研究人员的一项新研究通过将这些广泛的类别转化为精确的、个性化的概率,解决了这一差距。该团队采用了七种用于预测癌症复存的既定方法,并利用来自两家主要医院的近900名患者的数据对它们进行了重新校准。研究人员不再将患者留在模糊的风险组中,而是构建了一个数字工具,可以计算个体在手术后一年、两年和三年内癌症复发的具体百分比几率。他们发现,虽然旧的评分系统可以将患者区分开来,但往往无法预测单个患者复发的准确时间或可能性。通过将这些评分转换为清晰的百分比,并使用另一组患者进行测试,该团队证明了这些经过改进的评估是可靠的,并已准备好用于临床对话。
研究人员首先利用了大量关于结肠直肠癌转移至肝脏并接受手术治疗的病历开展工作。他们专注于两个截然不同的群体:一组来自斯德哥尔摩的一家医院,代表了八年来接受治疗的广泛且真实的患者组合;另一组来自奥斯陆的一项临床试验,其中包括了针对特定类型微创手术进行筛选的患者。斯德哥尔摩组包含709名患者,而奥斯陆组有198名。团队检查了七种现有的风险评分在应用于这些患者时的表现如何。这些评分在过去的几十年中开发出来,使用了各种线索,如肿瘤的大小、原发性癌症诊断与转移至肝脏之间的时间间隔,以及癌症是否具有特定的遗传特征。
研究表明,所有七种评分都能区分出哪些患者可能会保持无癌状态,以及哪些患者不会。然而,研究人员注意到这些工具在使用中存在一个显著的局限性。大多数评分只是将患者归入一个类别,例如“低风险”,而没有明确这意味着什么时间或概率。例如,一个被贴上“低风险”标签的患者,其一年内的复发几率可能是20%,而同类别的另一位患者其复发几率可能是40%。这种缺乏精确性的情况使得医生难以量身定制随访护理,也让患者难以理解自己的具体情况。研究人员意识到,要使这些工具真正发挥作用,它们需要超越类别,并提供一个代表现实世界机会的数字。
为了解决这个问题,团队提取了每种评分背后的数学公式,并对其进行了调整,以适应他们的特定患者数据。这个过程被称为“重新校准”,它允许他们将原始评分转化为百分比。随后,他们测试了这些新的个性化模型,以观察它们是否与患者的实际情况相符。结果显示,模型的预测与实际结果之间存在高度一致性。例如,如果模型预测一组患者在三年内的复发几率为30%,那么实际上确实有大约30%的患者经历了疾病复发。即使在针对奥斯لو另一组患者进行测试时,这种准确性依然成立,这表明该方法在不同的医院环境和患者群体中都是适用的。
最重要的发现之一是,这些评分预测复发的能力会随着时间的推移而改变。一个在预测术后六个月情况方面表现良好的评分,在预测三年后情况方面未必是最好的。研究人员发现,不同的评分在不同的恢复阶段表现各异。例如,包含遗传信息的GAME评分在预测术后两年和三年复发方面表现出了强大的性能。另一个关注显微镜下肿瘤细胞形态的Helsinki评分也表现良好。通过绘制这些差异图谱,研究人员可以根据医生想要展望多远的未来,来推荐使用哪种工具。
团队还探讨了添加更详细的信息(例如肿瘤的具体基因突变或术后细胞的确切形态)是否会显著提高预测的准确性。他们发现,虽然这些细节很有趣,但与目前使用的标准临床信息相比,它们并没有大幅改变预测的整体准确性。这表明,对于许多患者而言,传统的因素(如肿瘤大小和发生时间)仍然是最强大的预测因子,而添加复杂的遗传数据并不总是对获得良好的评估是必要的。
为了让这些发现对医生和患者有用,研究人员构建了一个名为PLATO的在线计算器。这是一个免费工具,允许医疗团队输入患者的具体细节,如年龄、肿瘤数量以及自原发性诊断以来的时间。该工具随后会立即计算出个体在一年、两年和三年内的复发概率。它还会显示患者根据原始七种评分所属的风险类别,从而在新的、精确的数字与医生已知的熟悉类别之间搭建起桥梁。研究人员公开了该工具的代码和背后的数学公式,以确保其他科学家可以检查他们的工作、进行改编,或将其作为测试新方法、未来方法的标准。
这项研究凸显了医疗预测方式的一种转变。与其依赖可能掩盖个人真实风险的广泛标签,现在的重点是提供清晰的、特定时间的概率。这种方法有助于医生决定患者需要进行多频繁的影像学检查以监测癌症复发迹象。对于计算出的高风险患者,可能需要更频繁的检查以尽早发现任何新生长。对于低风险患者,检查计划可以减轻强度,从而避免不必要的程序。研究人员指出,虽然他们的工具是一个重要的进步,但它并非完美的“水晶球”。它是基于欧洲血统患者及特定医疗体系的数据,因此在其他人群中可能需要进一步测试。此外,该工具预测的是癌症的回归,但尚未考虑到这种回归是否可以再次得到成功治疗,未来的模型可能需要解决这一细微差别。
最终,这项工作为未来的癌症护理提供了一个透明且可靠的基础。通过将既定方法提炼为个性化的评估,研究人员为医生提供了一种更清晰的方式来与患者讨论风险。研究证实,虽然癌症复发是一个复杂的挑战,但我们完全可以超越模糊的类别,为患者提供一个具体的、关于其未来旅程的理解。这些工具和数据的开放可用性确保了这种进步可以持续下去,允许医学界在新的治疗手段和技术不断涌现时,在这些成果的基础上继续发展。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。