Номограммы для прогнозирования вероятности развития биохимического рецидива у больных раком предстательной железы после проведенного хирургического лечения

Введение. Рак предстательной железы - заболевание, после радикального хирургического лечения которого нередко возникают рецидивы. Для подбора дальнейшей тактики лечения и предотвращения возможного рецидива необходим инструмент, который с высокой точностью поможет спрогнозировать риск прогрессирования заболевания у российской популяции пациентов.

Цель исследования - провести статистический анализ пред- и послеоперационных факторов прогноза, влияющих на прогрессирование рака предстательной железы, отобрать наиболее значимые факторы.

Материалы и методы. В исследование были включены 2255 пациентов с клинически локализованным и местно-распространенным раком предстательной железы, которым выполнено радикальное хирургическое лечение. С помощью математических моделей рассчитаны и построены номограммы, прогнозирующие риск прогрессирования заболевания после хирургического лечения.

Результаты. Созданы номограммы для прогнозирования вероятности развития биохимического рецидива и безрецидивной выживаемости по уровню простатического специфического антигена у больных с отсутствием метастазов в лимфатических узлах (pN0) по результатам планового морфологического исследования и у пациентов с наличием метастазов в лимфатических узлах (pN1) с точностью прогноза 71 % (площадь под ROC-кривой (AUC) 0,7119) и 76 % (AUC 0,7617) соответственно.

Заключение. Полученные номограммы обладают высокой точностью прогноза и могут использоваться для российской популяции пациентов.

1. Sung H., Ferlay J., Siegel R.L. et al. Global cancer statistics 2020: GLOBOCA Nestimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin 2021;71(3):209-49. DOI: 10.3322/caac.21660.

2. Bill-Axelson A., Holmberg L., Garmo H. et al. Radical prostatectomy or watchful waiting in prostate cancer - 29-year follow-up. N Engl J Med 2018;379(24):2319-29. DOI: 10.1056/NEJMoa1807801.

3. Wilt T.J., Jones K.M., Barry M.J. et al. Follow-up of prostatectomy versus observation for early prostate cancer. N Engl J Med 2017;377(2):132-42. DOI: 10.1056/NEJMoa1615869.

4. Hamdy F.C., Donovan J.L., Lane J.A. et al. 10-year outcomes after monitoring, surgery, or radiotherapy for localized prostate cancer. N Engl J Med 2016;375(15):1415-24. DOI: 10.1056/NEJMoa1606220.

5. Hegarty J., Beirne P.V., Walsh E. et al. Radical prostatectomy versus watchful waiting for prostate cancer. Cochrane Database Syst Rev 2010;(11):CD006590. DOI: 10.1002/14651858.CD006590.pub2.

6. D'Amico A.V., Whittington R., Malko-wicz S.B. et al. Biochemical outcome after radical prostatectomy, external beam radiation therapy, or interstitial radiation therapy for clinically localized prostate cancer. JAMA 1998;280(11):969-74. DOI: 10.1001/jama.280.11.969.

7. Partin A.W., Kattan M.W., Subong E.N.P. et al. Combination of prostate-specific antigen, clinical stage, and Gleason score to predict pathologic stage of localized prostate cancer: a multi-institutional update. JAMA 1997;277(18):1445-51.

8. Kattan M.W., Eastham J.A., Stapleton A.M. et. al. A preoperative nomogram for disease recurrence following radical prostatectomy for prostate cancer. J Natl Cancer Inst 1998;90(10):766-71. DOI: 10.1093/jnci/90.10.766.

9. Kattan M.W., Eastham J.A., Wheeler T.M. et al. Counseling men with prostate cancer: a nomogram for predicting the presence of small, moderately differentiated, confined tumors. J Urol 2003;170(5):1792-7. DOI: 10.1097/01.ju.0000091806.70171.41.

10. Kattan M.W., Wheeler T.M., Scardino P.T. Postoperative nomogram for disease recurrence after radical prostatectomy for prostate cancer. Clin Oncol 1999;17(5):1499-507. DOI: 10.1200/JCO.1999.17.5.1499.

11. Jared M., Raymond E., O'Callaghan M.E. et al. Optimum tools for predicting clinical outcomes in prostate cancer patients undergoing radical prostatectomy: a systematic review of prognostic accuracy and validity. Clin Genitourin Cancer 2017;15(5):e827-34. DOI: 10.1016/j.clgc.2017.06.001.

12. Cooperberg M.R., Hilton J.F., Carroll P.R. The CAPRA-S score: a straightforward tool for improved prediction of outcomes after radical prostatectomy. Cancer 2011;117(22):5039-46. DOI: 10.1002/cncr.26169.

13. Stephenson A.J., Scardino P.T., Eastham J.A. et al. Postoperative nomogram predicting the 10-year probability of prostate cancer recurrence after radical prostatectomy. J Clin Oncol 2005;23(28):7005-12. DOI: 10.1200/JCO.2005.01.867.

14. Kattan M.W., Vickers A.J., Yu C. et al. Preoperative and postoperative nomograms incorporating surgeon experience for clinically localized prostate cancer. Cancer 2009;115(5):1005-10. DOI: 10.1002/cncr.24083.

15. Schroeck F.R., Sun L., Freedland S.J. et al. Race and prostate weight as independent predictors for biochemical recurrence after radical prostatectomy. Prostate Cancer Prostatic Dis 2008;1(4)1:371-6. DOI: 10.1038/pcan.2008.18.

16. Chun F.K.H., Graefen M., Briganti A. et al. Initial biopsy outcome prediction -head-to-head comparison of a logistic regression-based nomogram versus artificial neural network. Eur Urol 2007;51(5):1236-43. DOI: 10.1016/j.eururo.2006.07.021.

17. Pedregosa F., Varoquaux G., Gramfort A., Michel V. Scikit-learn: machine learning in python. JMLR 2011;12:2825-30.

18. CamDavidsonPilon/lifelines: v0.21.0. (2019) Available at: https://doi.org/10.5281/ZENODO.2638135.

19. Therneau T.M., Lumley T., Atkinson E., Crowson C. A Package for Survival Analysis in R. R package version 3.2-11. (2021). Available at: https://CRAN.R-project.org/package=survival.

20. Therneau T.M., Grambsch P.M. Modeling survival data: extending the Cox model. New York: Springer, 2000.

21. Venables W.N., Ripley B.D. Modern applied statistics with S. Fourth edition. New York: Springer, 2002. Available at: https://www.stats.ox.ac.uk/pub/MASS4/.

22. Fox J., Weisberg S. An R companion to applied regression. Third edition. Sage Publications, 2019 Available at: https://socialsciences.mcmaster.ca/jfox/Books/Companion/.

23. Wickham H. ggplot2: Elegant Graphics for Data Analysis. New York: Springer, 2016. Available at: https://ggplot2.tidyverse.org.

24. Zhang Z., Kattan M.W. Drawing Nomograms with R: applications to categorical outcome and survival data. Ann Transl Med 2017;5(10):211. DOI: 10.21037/atm.2017.04.01.