Strategia genomiczna mająca na celu poprawę rokowania we wczesnym stadium niedrobnokomórkowego raka płuca czesc 4

Średnie prawdopodobieństwa nawrotu przewidywane przez model metagene płuc (Panel C) oraz przez model kliniczny wygenerowany z danymi dotyczącymi wieku, płci, średnicy guza, stadium choroby, podtypu histologicznego i historii palenia (Panel D) w kohorcie Duke a to: również pokazano. Dla każdego pacjenta przewidywano prawdopodobieństwo nawrotu choroby w wyniku krzyżowej walidacji poza próbą w oparciu o model całkowicie zregenerowany z danych dla pozostałych pacjentów. I słupki reprezentują przedziały ufności 95 procent. Rak płuca jest heterogenną chorobą wynikającą z nabycia wielu mutacji somatycznych; biorąc pod uwagę tę złożoność, byłoby zaskakujące, gdyby pojedynczy wzór ekspresji genu mógł skutecznie opisać i ostatecznie przewidzieć kliniczny przebieg choroby dla wszystkich pacjentów. Uznając znaczenie rozwiązania tej złożoności, wcześniej opisaliśmy metody integracji różnych form danych, w tym zmiennych klinicznych i wielu profili ekspresji genów, w celu stworzenia solidnych modeli predykcyjnych dla poszczególnych pacjentów.25,26 Istnieją dwa krytyczne elementy tego podejście metodologiczne. Najpierw wygenerowaliśmy kolekcję profili ekspresji genów, określanych jako metagenes (przykład podano na rysunku 2A), które stanowią podstawę modeli predykcyjnych. Po drugie, wykorzystaliśmy analizę drzewa klasyfikacji i regresji do wypróbowania tych metagenów i zbudowania modeli prognostycznych; podejście to pozwala uzyskać kolekcję profili, aby najlepiej przewidzieć wyniki kliniczne. Drzewo przykładowe (jedno z wielu wygenerowanych w analizie) przedstawiono na rysunku 2B.
Dokładność predyktywna każdego modelu była początkowo oceniana za pomocą sprawdzania krzyżowego typu zostaw jeden , w którym analiza jest wykonywana wielokrotnie, jedna próbka jest usuwana za każdym razem, a prawdopodobieństwo wystąpienia nawrotu jest przewidziane dla tej próbki. Ponieważ cały proces budowania modelu jest powtarzany dla każdej prognozy, ocenia się odtwarzalność podejścia. Jako miarę stabilności modelu wygenerowaliśmy wiele iteracji losowo podzielonych zestawów treningowych i walidacyjnych z kohorty Duke a; wynikająca z tego dokładność możliwości prognostycznych przekroczyła 85 procent (dane nie przedstawione).
Model metagene płuc do przewidywania nawrotu był lepszy od modelu predykcyjnego wygenerowanego tymi samymi metodami, ale obejmował same dane kliniczne (w tym wiek, płeć, średnicę guza, stadium choroby, podtyp histologiczny i historię palenia). W kohorcie Duke a model metagene płuc przewidywał wznowę choroby z ogólną dokładnością wynoszącą 93 procent (ryc. 2C). Model zbudowany z danych klinicznych miał dokładność tylko 64 procent (rysunek 2D). Włączenie danych klinicznych do danych genomowych nie poprawiło dokładności przewidywania nawrotów w stosunku do samych danych genomicznych.
Rysunek 3. Rysunek 3. Szacunki przeżycia Kaplan-Meier dla kohorty szkoleniowej Duke a. Szacunki oparte na prognozach z modelu metagene płuc wskazują na wartość tego podejścia (panel A). Panel B przedstawia szacunki oparte na klinicznym modelu rokowania, a także na podstawie indywidualnych cech klinicznych – tutaj, średnica guza i stadium choroby
[patrz też: dawca szpiku kostnego, vitadent, zaburzenia si ]
[patrz też: ramzes przemyśl, kozlek lekarski, viregyt ]